Влияние гормональной терапии
дексаметазоном и преднизолоном
на гемодинамический статус у детей с тяжелой политравмой.

**Пшениснов Константин Викторович / Pshenisnov Konstantin Victorovich**
кандидат медицинских наук,
доцент кафедры анестезиологии, реаниматологии и неотложной педиатрии факультета
послевузовского и дополнительного профессионального образования
ФГБОУ ВО «Санкт-Петербургский государственный педиатрический медицинский университет» Минздрава России

**Александрович Юрий Станиславович / Aleksandrovich Yurii Stanislavovich**
доктор медицинских наук,
профессор, заведующий кафедрой анестезиологии, реаниматологии и неотложной педиатрии факультета
послевузовского и дополнительного профессионального образования
ФГБОУ ВО «Санкт-Петербургский государственный педиатрический медицинский университет Минздрава России

**Липин Андрей Сергеевич / Lipin Andrei Sergeevich**
врач анестезиолог-реаниматолог, аналитик данных

# This application (further - The Program) is a method to execute
# analysis of clinic and alaboratory features in multiple injured
# children while treatment in ICU by prednisolone and dexamethazone.
# This software is an example of realisation of analytic methods by
# which we conducted our survey, created patient samples and making
# comparison analysis between them.
# Copyright (C) 2020, by Konstantin Pshenisnov, Yurii Aleksandrovich and Andrei Lipin
#
# This program is free software: you can redistribute it and/or modify
# it under the terms of the GNU General Public License as published by
# the Free Software Foundation, either version 3 of the License, or
# (at your option) any later version.
#
# This program is distributed in the hope that it will be useful,
# but WITHOUT ANY WARRANTY; without even the implied warranty of
# MERCHANTABILITY or FITNESS FOR A PARTICULAR PURPOSE.  See the
# GNU General Public License for more details.
# You should have received a copy of the GNU General Public License
# along with this program.  If not, see http://www.gnu.org/licenses/

# The Program is presented in several files;
# one of them is a python-notebook with the Python3-based code and
# is an unseparated part of The Program with the same
# legal base, namely GNU General Public License.
# All other files distributed as unseparated parts of this Program
# are available on the link:
# https://github.com/docinit/hormone_therapy_in_children_with_multiple_injuries

# Данное приложение является методом анализа клинико-лабораторных данных
# у пациентов с тяжелой сочетанной травмой, которые получали или не получали
# кортикостероидную терапию преднизолоном и/или дексаметазоном.
# В данном приложении описаны ход работы, методы формирования выборок
# и подходы к проведению аналитической работы с этими выборками.
# Также представлен метод реализации проведения данного анализа
# с помощью python v.3 и дополнительных библиотек.
#
# Эта программа - свободное программное обеспечение;
# вы можете распространять и/или модифицировать ее на
# условиях лицензии GNU General Public License,
# опубликованной Free Software Foundation, а именно ее версии 3
# или, по Вашему выбору, любой более поздней.
#
# Эта программа распространяется в надежде на ее пользу,
# но БЕЗ ЛЮБЫХ ГАРАНТИЙ; в т.ч. без финансовых гарантий или
# гарантии пользы в практическом применении.
# Если Вы хотите более детально ознакомиться, это можно сделать,
# открыв полный текст GNU General Public License.
#
# Вам должны предоставить копию GNU General Public License вместе
# с этой программой. В случае, если вы не получили копию
# GNU General Public License, откройте и ознакомьтесь с ней
# на http://www.gnu.org/licenses/
#
# Программа представлена в виде нескольких файлов
# один из них - python-ноутбук с кодом на языке программирования Python.
# он является неотъемлемой частью данной Программы.
# Все остальные файлы, являющиеся неотъемлемой частью данной Программы и
# распространяющиеся вместе с этой Программой,
# предоставляются на условиях той же лицензии
# GNU General Public License, что и Программа.
# Программа и файлы, распространяющиеся с ней, доступны по адресу
# https://github.com/docinit/hormone_therapy_in_children_with_multiple_injuries
#
# Authors
# 1. Pshenisnov Konstantin Viktorovich, psh_k@mail.ru
##  * concept and investigation design creation;
##  * data gathering;
##  * data analysis;
##  * text writing;
##  * text redaction.
# 2. Aleksandrovich Yurii Stanislavovich
##  * text redaction.
# 3. Lipin Andrei Sergeevich, andrey.s.lipin@gmail.com
##  * concept and investigation design creation
##  * data analysis:
###   * data cleaning;
###   * data transformation;
###   * data generation;
###   * results interpretation;
##  * statistical analysis;
##  * writing.
#
# Авторы:
# 1. Пшениснов Константин Викторович, psh_k@mail.ru:
## * концепция и дизайн исследования;
## * сбор данных:
## * обработка данных;
## * текст работы;
## * редактирование.
# 2. Александрович Юрий Станиславович
##  * редактирование работы.
# 3. Липин Андрей Сергеевич, andrey.s.lipin@gmail.com:
## * концепция и дизайн исследования;
## * обработка данных:
###  * очистка данных;
###  * преобразование данных;
###  * генерация новых признаков;
###  * интерпретация результатов работы;
## * статистическая обработка данных;
## * текст работы.

import pandas as pd
import numpy as np
from scipy import stats
from matplotlib import pyplot as plt
import seaborn as sns
import warnings
warnings.filterwarnings("ignore")

sns.set(style='whitegrid', rc={"grid.linewidth": 0.1})
sns.set_context("paper", font_scale=1.8)

В данном исследовании разбираются вопросы связи гормональной терапии (преднизолом и дексаметазоном) и клинико-лабораторных (гемодинамических и биохимических) изменений у пациентов до 18 лет с тяжелой сочетанной травмой.

• Обозначения:
  • ГТ = гормональная терапия
  • ГТ+ - получение гормональной терапии
  • ГТ- - гормональная терапия не использовалась

Исследуемые параметры:

• систолическое артериальное давление (САД);
• диастолическое артериальное давление (ДАД);
• среднее артериальное давление (СрАД);
• частота сердечных сокращений;
• индекс Альговера;
• насыщение крови кислородом (SpO2);
• масса тела;
• хлор в крови;
• лактат в крови;
• АЛТ в крови;
• АСТ в крови;
• АЧТВ
• инфузия (в процентах от физиологической потребности);
• катехоламиновый индекс;
• площадь тела;
• диурез;
• исход заболевания.

• Анализ состава пацентов: диагнозы

df = pd.read_csv('data.csv',index_col=0)
# загрузка диагнозов пациентов
df_ds = pd.read_csv("ID_DS.csv")
# диагнозы - в списки
df_ds.Diagnos = [i.split('.') for i in df_ds.Diagnos]
# загрузка предварительно (вручную) обработанных диагнозов (разбиты по группам)
df_ds_class = pd.read_csv('df_ds2.csv')
df_ds = df_ds.explode('Diagnos')
for k,items in enumerate(df_ds_class['Diagnos']):
#     items_list=items.split(',')
#     for item in items_list:
    df_ds.loc[df_ds['Diagnos']==items,'Class'] = df_ds_class['Класс'][k]
#         if 'Многооскольчатый перелом нижней челюсти ' in item:
#             print(item)
# теперь в таблице диагнозов имеется и группа, к которым они относятся:
# повреждения головы, головного мозга, конечностей и др.
df_ds.head(50)

	ID	Diagnos	Class
0	1	Кататравма	Кататравма
0	1	Сочетанная травма	Другое
0	1	ЗЧМТ	Головной мозг
0	1	Ушиб ГМ легкой степени	Головной мозг
0	1	Многооскольчатый перелом нижней челюсти со сме...	Голова
0	1	Двусторонний перелом нижних стенок глазниц,гем...	Голова
0	1	Гематосинус с двух сторон	Гемосинус
0	1	Закрытый перелом правого бедра в среднй трети ...	Конечности
0	1	Постгеморрагическая анемия тяжелой степени	Кровотечение
0	1		NaN
1	2	Кататравма	Кататравма
1	2	ЗЧМТ	Головной мозг
1	2	Ушиб головного мозга тяжелой степени	Головной мозг
1	2	Линейный перелом височной кости слева	Голова
1	2	Острая эпидуральна гематома левой лобно-теменн...	Голова
1	2	Дислокационый синдром	Головной мозг
1	2	САК	САК
1	2		NaN
2	3	Автотравма	Автотравма
2	3	Сочетанная травма	Другое
2	3	ЗЧМТ, ушиб головного мозга тяжелой степени	Головной мозг
2	3	Диффузно-аксональное повреждение	Головной мозг
2	3	Очаги контузии в правой теменной доле	Голова
2	3	САК	САК
2	3	Перелом лонной и седалищной котей справа без ...	Таз
2	3	Ушиб передней брюшной стенки	Живот
2	3		NaN
3	4	Кататравма	Кататравма
3	4	Тупая травма живота, разрыв селезенки	Живот
3	4	Внутрибрюшинное кровотечение	Кровотечение
3	4		NaN
4	5	Автотравма	Автотравма
4	5	Сочетанная травма	Другое
4	5	ОЧМТ, ушиб головного мозга средней степени тя...	Головной мозг
4	5	Контузионные очаги лобной доли справа, пневмо...	Головной мозг
4	5	Перелом лобной кости справа	Голова
4	5	Перелом верхней и медиальной стенки правой ор...	Голова
4	5	Гематома век OD	Голова
4	5	Ушиб передней брюшной стенки	Живот
4	5	Закрытый перелом наружной лодыжки левого голе...	Конечности
4	5		NaN
5	6	Кататравма	Кататравма
5	6	ОЧМТ	Головной мозг
5	6	Ушиб ГМ тяжелой степени	Головной мозг
5	6	Вдавленный перелом левой теменной кости	Голова
5	6	Очаг размозжения в левой теменной доле	Головной мозг
5	6	САК	САК
5	6	Ушиб селезенки	Живот
5	6	ШОК I степени от 11	Шок
5	6	06	NaN

df_ds.dropna(inplace=True)
df_ds.Class = [list(set(i.split(','))) for i in df_ds.Class]

import numpy as np
df_ds = df_ds.explode('Class')
a = [df_ds.loc[df_ds.ID==i,['ID','Class']] for i in df_ds.ID.unique()]
for index in range(len(a)):
    a[index].Class= a[index].Class.apply(lambda x: [i for i in a[index].Class.values])
    a[index] = a[index].values[0]
    a[index][1] = list(set([i for i in a[index][1]]))

pd.options.display.max_rows=300
a = pd.DataFrame(a)
columns = pd.DataFrame(a).explode(1)[1].unique()
patients_ds = pd.DataFrame(columns=columns,index = pd.DataFrame(a)[0])
for i in columns:
    for index in patients_ds.index:
        patients_ds[i][index] = 1 if i in a.loc[a[0]==index,1].values[0] else 0
        
patients_ds.head()
patients_ds.loc[patients_ds[['Вклинение ГМ','Кома','Спинной мозг','ВЖК','САК','Головной мозг']].sum(axis=1)>0,'ЦНС']=1
patients_ds.loc[patients_ds[['Ателектазы','Гидроторакс','Аспирация','Гемоторакс','Пневмоторакс','Легкие']].sum(axis=1)>0,'Органы грудной клетки']=1
patients_ds.loc[patients_ds[['МПС','Живот']].sum(axis=1)>0,'Травма живота']=1
patients_ds.loc[patients_ds[['Гемосинус','Голова']].sum(axis=1)>0,'Голова']=1
patients_ds.loc[patients_ds[['Позвонки','Грудь','Голова','Конечности']].sum(axis=1)>0,'ОДА']=1
patients_ds.loc[patients_ds[['ЦНС','ОДА']].sum(axis=1)==2,'ЦНС + ОДА']=1
patients_ds.loc[patients_ds[['ЦНС','Органы грудной клетки']].sum(axis=1)==2,'ЦНС + Органы грудной клетки']=1
patients_ds.loc[patients_ds[['ЦНС','Травма живота']].sum(axis=1)==2,'ЦНС + Травма живота']=1
patients_ds.loc[patients_ds[['ЦНС','Голова']].sum(axis=1)==2,'ЦНС + Голова']=1
patients_ds.loc[patients_ds[['ЦНС','ОДА' ,'Голова']].sum(axis=1)==3,'ЦНС + ОДА + Голова']=1
patients_ds.loc[patients_ds[['ЦНС','ОДА','Органы грудной клетки']].sum(axis=1)==3,'ЦНС + ОДА + Органы грудной клетки']=1
patients_ds.loc[patients_ds[['ЦНС','ОДА','Травма живота']].sum(axis=1)==3,'ЦНС + ОДА + Травма живота']=1
patients_ds.loc[patients_ds[['ЦНС','ОДА','Травма живота','Органы грудной клетки']].sum(axis=1)==4,'ЦНС + ОДА + Травма живота + Органы грудной клетки']=1
patients_ds.loc[patients_ds[['ЦНС','ОДА','Органы грудной клетки','Голова']].sum(axis=1)==4,'ЦНС + ОДА + Органы грудной клетки + Голова']=1
patients_ds.loc[patients_ds[['ЦНС','Травма живота','Органы грудной клетки','Голова']].sum(axis=1)==4,'ЦНС + Травма живота + Органы грудной клетки + Голова']=1
patients_ds.loc[patients_ds[['ЦНС','Травма живота','Голова']].sum(axis=1)==3,'ЦНС + Травма живота + Голова']=1
patients_ds.loc[patients_ds[['ЦНС','Органы грудной клетки','Голова']].sum(axis=1)==3,'ЦНС + Органы грудной клетки + Голова']=1
patients_ds.loc[patients_ds[['ЦНС','Голова']].sum(axis=1)==2,'ЦНС + Голова']=1
patients_ds.loc[patients_ds[['ЦНС','Органы грудной клетки','Травма живота']].sum(axis=1)==3,'ЦНС + Органы грудной клетки + Травма живота']=1
patients_ds.loc[patients_ds[['САК','ВЖК']].sum(axis=1)==2,'САК + ВЖК']=1

# чтение данных
df_plot = df = pd.read_csv('data.csv',index_col=0)
# выбор параметров
target_columns = ['AGE','GT','SBP','DBP','MBP','HR','IA','SpO2','Weight','Cl-','LACT','AMYL','ALT','AST','APTV','VOL_%','CI','B_surface','Diur_p_kg', 'OUTCOME','AIS','PTS','TCMV','TH_count']
df = df[['ID','Day'] + target_columns]
# переименование
df.columns = target_columns = ['ID','Day','Возраст','GT','САД', 'ДАД','СрАД','ЧСС','ИА','SpO2','Масса тела','Cl-','Лактат','Амилаза','АЛТ','АСТ','АЧТВ','Инфузия, % от N','КИ','Площадь тела','Диурез, мл/кг', 'OUTCOME','AIS','PTS','Время ИВЛ','Длительность лечения в ОРИТ']
df[['Время ИВЛ']] = df[['Время ИВЛ']]/24
# описательная статистика
df.groupby('ID').mean()[df.columns[1:-2].drop('OUTCOME')].describe().T
target_columns = ['ID','Day','Возраст','GT','САД', 'ДАД','СрАД','ЧСС','ИА','SpO2','Масса тела','Cl-','Лактат','Амилаза','АЛТ','АСТ','АЧТВ','Инфузия, % от N','КИ','Площадь тела','Диурез, мл/кг', 'OUTCOME']

df[['ID','Время ИВЛ','Длительность лечения в ОРИТ']].groupby('ID').min().describe().T

	count	mean	std	min	25%	50%	75%	max
Время ИВЛ	203.0	3.112069	5.172696	0.0	0.0	0.5	4.0625	28.208333
Длительность лечения в ОРИТ	203.0	6.926108	6.965933	1.0	2.0	5.0	8.0000	49.000000

print(sorted(df.loc[:,'Cl-'].unique()))

[0.0, 1.2, 31.0, 60.6, 85.0, 87.0, 92.0, 93.0, 93.1, 93.3, 94.0, 95.0, 95.5, 95.8, 96.0, 96.7, 97.0, 97.1, 97.7, 98.0, 98.2, 98.3, 98.4, 98.6, 98.7, 98.9, 99.0, 99.3, 99.4, 99.5, 99.6, 99.7, 99.8, 99.9, 100.0, 100.1, 100.2, 100.3, 100.4, 100.6, 100.7, 100.8, 100.9, 101.0, 101.1, 101.2, 101.3, 101.35, 101.5, 101.6, 101.7, 101.8, 101.9, 102.0, 102.1, 102.3, 102.35, 102.4, 102.45, 102.6, 102.7, 103.0, 103.1, 103.2, 103.3, 103.4, 103.5, 103.6, 103.8, 103.9, 104.0, 104.15, 104.3, 104.4, 104.5, 104.7, 104.8, 105.0, 105.3, 105.6, 105.7, 105.8, 105.9, 106.0, 106.2, 106.5, 106.6, 106.7, 106.9, 107.0, 107.3, 107.4, 107.6, 107.7, 107.8, 108.0, 108.4, 108.5, 108.6, 108.7, 109.0, 109.1, 109.5, 109.8, 109.9, 110.0, 110.2, 110.3, 110.5, 110.7, 111.0, 111.2, 111.5, 111.6, 111.7, 111.9, 112.0, 112.1, 112.3, 112.6, 113.0, 113.4, 113.7, 114.0, 114.2, 115.0, 115.3, 116.0, 116.7, 117.0, 118.0, 118.5, 119.0, 120.0, 121.0, 122.0, 122.6, 123.0, 124.0, 125.0, 126.0, 127.0, 128.0, 129.0, 130.0, 131.0, 132.0, 133.0, 134.0, 135.0, 135.7, 136.0, 137.0, 138.0, 138.5, 139.0, 140.0, 141.0, 142.0, 143.0, 144.0, 144.5, 144.9, 145.0, 146.0, 148.0, 149.0, 149.5, 150.0, 151.0, 152.0, 153.0, 158.0, 159.0, 169.0, 191.0, 193.0, 200.4, 507.0, 1102.0]

# Исправление ошибочных записей;
# Перед этим были проанализированы результаты, получаемые без исправлений:
# выводы, которые получаются в двух случаях, не меняются; исправление влияет только на p-value
# в результатах, касающихся хлоремии
# sorted(df['Cl-'].unique())
df.loc[df['Cl-'] == 1.2,'Cl-'] = 102
df.loc[df['Cl-'] == 0,'Cl-'] = df['Cl-'].mean().copy()
df.loc[df['Cl-'] == 1102,'Cl-'] = 110.2
df.loc[df['Cl-'] == 200.4,'Cl-'] = 100.4
df.loc[df['Cl-'] == 507,'Cl-'] = 107

ds_stat = pd.DataFrame(patients_ds[patients_ds.index.isin(df.ID)].fillna(0).astype(int).sum(axis=0)).sort_values(0)
fig, ax = plt.subplots(figsize=(4,20),dpi=600)
plt.barh(y=ds_stat.index[-25:], width=ds_stat[0][-25:])
plt.xticks(rotation='vertical')
ax.xaxis.tick_top()
ax.set_xlabel('Количество пациентов с повреждениями')    
ax.xaxis.set_label_position('top')
plt.show()

# Просмотр: количество детей с разными диагнозами и их сочетанием
ds_stat = ds_stat.set_axis(['Количество'], axis=1)
ds_stat['%'] = ds_stat.iloc[:,0]/203 * 100
ds_stat.sort_values('Количество',ascending=False)

	Количество	%
Головной мозг	191	94.088670
ЦНС	191	94.088670
ОДА	181	89.162562
ЦНС + ОДА	174	85.714286
Другое	130	64.039409
Голова	128	63.054187
ЦНС + ОДА + Голова	128	63.054187
ЦНС + Голова	128	63.054187
Травма живота	101	49.753695
Конечности	100	49.261084
ЦНС + Травма живота	92	45.320197
Живот	92	45.320197
ЦНС + ОДА + Травма живота	84	41.379310
Органы грудной клетки	73	35.960591
ЦНС + Органы грудной клетки	71	34.975369
ЦНС + ОДА + Органы грудной клетки	69	33.990148
Легкие	66	32.512315
Автотравма	63	31.034483
Кататравма	58	28.571429
ЦНС + Травма живота + Голова	58	28.571429
ЦНС + ОДА + Органы грудной клетки + Голова	57	28.078818
ЦНС + Органы грудной клетки + Голова	57	28.078818
САК	48	23.645320
ЦНС + Органы грудной клетки + Травма живота	47	23.152709
Грудь	46	22.660099
Шок	46	22.660099
ЦНС + ОДА + Травма живота + Органы грудной клетки	45	22.167488
МПС	42	20.689655
ЦНС + Травма живота + Органы грудной клетки + Голова	36	17.733990
Таз	35	17.241379
Кровотечение	23	11.330049
Позвонки	21	10.344828
Пневмоторакс	20	9.852217
Гемосинус	19	9.359606
Гемоторакс	12	5.911330
ВЖК	10	4.926108
ИВЛ	9	4.433498
САК + ВЖК	8	3.940887
Реанимация	7	3.448276
Спинной мозг	7	3.448276
ДН	7	3.448276
Кома	7	3.448276
ДВС	6	2.955665
Гнойные осложнения	6	2.955665
Вклинение ГМ	5	2.463054
Интоксикация	5	2.463054
Аспирация	3	1.477833
Гидроторакс	3	1.477833
Ателектаз	2	0.985222
Лимфатические протоки	2	0.985222
СН	1	0.492611
Термический ожог	1	0.492611
Электротравма	1	0.492611
СК	1	0.492611
Ателектазы	1	0.492611
НК	1	0.492611

df_stat = pd.read_csv('data.csv',index_col=0)
print('\n','Мальчики и девочки, %: \t\t',str([round(i/203 * 100,2) for i in df_stat.groupby('ID').min().SEX.value_counts().values])[1:-1],'\n',\
     'Пациенты без ВЖК и с ВЖК, %: \t\t',str([round(i/203 * 100,2) for i in df_stat.groupby('ID').min().ICH.value_counts().values])[1:-1],'\n',\
     'Выживших и умерших, %: \t\t',str([round(i/203 * 100,2) for i in df_stat.groupby('ID').min().OUTCOME.value_counts()])[1:-1],'\n',\
     'Получавших и не получавших ГТ, %: \t',str([round(i/203 * 100,2) for i in df_stat.groupby('ID').max().GT.value_counts()])[1:-1])

print('\n','Мальчики и девочки: \t\t',str([i for i in df_stat.groupby('ID').min().SEX.value_counts().values])[1:-1],'\n',\
     'Пациенты без ВЖК и с ВЖК: \t',str([i for i in df_stat.groupby('ID').min().ICH.value_counts().values])[1:-1],'\n',\
     'Выживших и умерших: \t\t',str([i for i in df_stat.groupby('ID').min().OUTCOME.value_counts()])[1:-1],'\n',\
     'Получавших и не получавших ГТ: ',str([i for i in df_stat.groupby('ID').max().GT.value_counts()])[1:-1])


plt.figure(figsize=(14,5))
plt.bar(x=['ГТ+', 'ГТ-'],height=df_stat.groupby('ID').max()['GT'].value_counts());
plt.bar(x=['Выжили','Умерли'],height=df_stat.groupby('ID').min()['OUTCOME'].value_counts());
plt.bar(x=['мальчики','девочки'],height=df_stat.groupby('ID').min().SEX.value_counts());
plt.bar(x=['Без ВЖК','ВЖК'],height=df_stat.groupby('ID').min()['ICH'].value_counts());

 Мальчики и девочки, %: 		 63.55, 36.45 
 Пациенты без ВЖК и с ВЖК, %: 		 66.5, 33.5 
 Выживших и умерших, %: 		 90.64, 9.36 
 Получавших и не получавших ГТ, %: 	 55.67, 44.33

 Мальчики и девочки: 		 129, 74 
 Пациенты без ВЖК и с ВЖК: 	 135, 68 
 Выживших и умерших: 		 184, 19 
 Получавших и не получавших ГТ:  113, 90

df_stat.groupby('ID').min()[['AIS','PTS','TCMV','TH_count']].describe().set_axis(['AIS','PTS','Время ИВЛ, дни','Время лечения в ОРИТ, дни'],axis=1).\
                                                                        set_axis(['Количество','Среднее','Стандартное отклонение','Минимальное значение','25-квантиль','Медиана','75-квантиль','Максимальное значение'],axis=0)

	AIS	PTS	Время ИВЛ, дни	Время лечения в ОРИТ, дни
Количество	203.000000	203.000000	203.000000	203.000000
Среднее	36.812808	5.206897	74.689655	6.926108
Стандартное отклонение	15.763237	3.587182	124.144707	6.965933
Минимальное значение	2.000000	-2.000000	0.000000	1.000000
25-квантиль	25.000000	2.000000	0.000000	2.000000
Медиана	34.000000	5.000000	12.000000	5.000000
75-квантиль	48.000000	8.000000	97.500000	8.000000
Максимальное значение	86.000000	12.000000	677.000000	49.000000

В данном исследовании пациенты отбирались по следующим критериям:

* наличие сочетанной травмы;
* отсутствие сопутствующих заболеваний;
* возраст до 18 лет;
* необходимость лечения в отделении реанимации и интенсивной терапии.

На графиках бокс-плот видно, что выжившие и умершие пациенты, мальчики и девочки, имеют сходные массу тела и возраст.

df_plot = df_plot[['ID','AGE','SEX','OUTCOME','Weight','Day']].groupby('ID',as_index=False).max()
sns.boxplot(x=df_plot['OUTCOME'].replace({'Died':'умершие','Survived':'выжившие'}),y = df_plot['AGE'])
plt.ylabel('Возраст')
plt.xlabel('Исходы')
plt.show()
sns.boxplot(x=df_plot['OUTCOME'].replace({'Died':'умершие','Survived':'выжившие'}),y = df_plot['Weight'])
plt.ylabel('Масса тела')
plt.xlabel('Исходы')
plt.show()
sns.boxplot(x=df_plot['SEX'].replace({0:'девочки',1:'мальчики'}),y = df_plot['AGE'])
plt.ylabel('Возраст')
plt.xlabel('Пол')
plt.show()
sns.boxplot(x=df_plot['SEX'].replace({0:'девочки',1:'мальчики'}),y = df_plot['Weight'])
plt.ylabel('Масса тела')
plt.xlabel('Пол')
plt.show()

---

Анализ различий между параметрами в разные дни

Первый день в ОРИТ:
значения клинико-лабораторных данных при поступлении (т.е. в первый день) могут сильно отличаться от средних значений соответствующих параметров каждого пациента в другие дни из-за проводимой терапии.
Проведенный ниже тест Вилкоксона показывает, что имеется существенная разница между параметрами в 1й день и средними значениями за последующие дни

• 1 день и 2-10 дни

from scipy.stats import wilcoxon
df = df[target_columns]
df0_ = df.loc[(df.Day>1)&(df.Day<=10),:].groupby('ID',as_index=False).mean().drop('Day',axis=1).copy()
df1_ = df.loc[df.Day==1,:].drop('Day',axis=1).copy()
ids = df0_.ID.unique() # смотрим только пациентов, которые оставались в ОРИТ в период 2-10 день
columns = list(df0_.columns[2:-1])
columns.remove('Масса тела')
columns.remove('Площадь тела')
results = []
break_line = '\n'
for i in columns:
    statistics, p = stats.wilcoxon(df0_[i],df1_[df1_.ID.isin(ids)][i])
    results.append([i,round(p,3),f'{round(df0_[i].median(),2)} [{round(df0_[i].quantile([0.25]).values[0],2)}-{round(df0_[i].quantile([0.75]).values[0],2)}]',\
                   f'{round(df1_[df1_.ID.isin(ids)][i].median(),2)} [{round(df1_[df1_.ID.isin(ids)][i].quantile([0.25]).values[0],2)}-{round(df1_[df1_.ID.isin(ids)][i].quantile([0.75]).values[0],2)}]',f'Различие значимо' if p<0.05 else f'Не значимое различие'])
pd.DataFrame(results).set_axis(['Параметр','p_value','1 день','2-10 дни','Значимость'],axis=1)

	Параметр	p_value	1 день	2-10 дни	Значимость
0	GT	0.001	0.12 [0.0-0.75]	0.0 [0.0-1.0]	Различие значимо
1	САД	0.005	110.0 [102.67-117.22]	108.0 [95.0-120.0]	Различие значимо
2	ДАД	0.019	64.33 [58.89-70.0]	61.0 [55.0-70.0]	Различие значимо
3	СрАД	0.008	79.78 [73.33-84.78]	77.33 [68.33-86.67]	Различие значимо
4	ЧСС	0.000	105.71 [94.0-115.56]	110.0 [92.0-125.0]	Различие значимо
5	ИА	0.000	0.95 [0.83-1.11]	1.0 [0.83-1.24]	Различие значимо
6	SpO2	0.685	98.78 [98.0-99.78]	99.0 [98.0-100.0]	Не значимое различие
7	Cl-	0.700	108.89 [104.6-112.89]	108.74 [104.0-112.0]	Не значимое различие
8	Лактат	0.001	1.36 [0.0-1.78]	1.1 [0.0-2.6]	Различие значимо
9	Амилаза	0.000	35.25 [0.0-94.0]	18.3 [0.0-49.7]	Различие значимо
10	АЛТ	0.000	39.48 [18.98-77.55]	39.6 [15.2-101.5]	Различие значимо
11	АСТ	0.000	55.81 [34.06-110.0]	62.5 [28.5-163.4]	Различие значимо
12	АЧТВ	0.000	28.9 [0.0-33.09]	25.8 [0.0-31.0]	Различие значимо
13	Инфузия, % от N	0.000	118.53 [98.96-138.79]	84.42 [60.99-130.53]	Различие значимо
14	КИ	0.072	0.0 [0.0-5.31]	0.0 [0.0-5.0]	Не значимое различие

• Эти результаты пригодятся позже

• Для сравнения: подобный анализ сделан для 2го дня и средних значений за последующие дни;
• То же самое - для 3го дня.
• В результате можно видеть, что уже к 3му дню различия значительно менее выражены

• 2 день и 3-10 дни

# 2 день и 3-10 дни
df0_ = df.loc[(df.Day!=1)&(df.Day!=2)&(df.Day<=10),['ID']+['Day']+columns].groupby('ID',as_index=False).mean().drop('Day',axis=1).copy()
df1_ = df.loc[df.Day==2,['ID']+['Day']+columns].drop('Day',axis=1).copy()
ids = df0_.ID.unique().copy() # смотрим только пациентов, которые оставались в ОРИТ в период 3-10 день

results = []
for i in columns:
    statistics, p = stats.wilcoxon(df0_[i],df1_[df1_.ID.isin(ids)][i])
    results.append([i,round(p,3),f'Различие значимо' if p<0.05 else f'Не значимое различие'])
print("Различия между значениями параметров на 2й день и средними значениями за последующие дни (до 10го дня)")
pd.DataFrame(results).set_axis(['Параметр','p_value','Значимость'],axis=1)

Различия между значениями параметров на 2й день и средними значениями за последующие дни (до 10го дня)

	Параметр	p_value	Значимость
0	GT	0.002	Различие значимо
1	САД	0.001	Различие значимо
2	ДАД	0.001	Различие значимо
3	СрАД	0.000	Различие значимо
4	ЧСС	0.000	Различие значимо
5	ИА	0.000	Различие значимо
6	SpO2	0.012	Различие значимо
7	Cl-	0.002	Различие значимо
8	Лактат	0.072	Не значимое различие
9	Амилаза	0.278	Не значимое различие
10	АЛТ	0.000	Различие значимо
11	АСТ	0.000	Различие значимо
12	АЧТВ	0.336	Не значимое различие
13	Инфузия, % от N	0.020	Различие значимо
14	КИ	0.922	Не значимое различие

• 3 день и 4-10 дни

# в выборку за третий день не попал пациент №17 с неполными данными (строка удалена)
df[df.ID==17][['ID','Day']]

	ID	Day
91	17	1
92	17	2
93	17	4

# 3 день и 4-10 дни
df0_ = df.loc[(~df.Day.isin([1,2,3]))&(df.Day<=10),['ID']+['Day']+columns].groupby('ID',as_index=False).mean().drop('Day',axis=1).copy()
df1_ = df.loc[df.Day==3,['ID']+['Day']+columns].drop('Day',axis=1).copy()
ids = df0_.ID.unique() # смотрим только пациентов, которые оставались в ОРИТ в период 4-10 день
ids = ids[~np.isin(ids,17)].copy()

results = []
for i in columns:
    statistics, p = stats.wilcoxon(df0_[df0_.ID.isin(ids)][i],df1_[df1_.ID.isin(ids)][i])
    results.append([i,round(p,3),f'Различие значимо' if p<0.05 else f'Не значимое различие'])
print("Различия между значениями параметров на 3й день и средними значениями за последующие дни (до 10го дня)")
pd.DataFrame(results)

Различия между значениями параметров на 3й день и средними значениями за последующие дни (до 10го дня)

	0	1	2
0	GT	0.000	Различие значимо
1	САД	0.011	Различие значимо
2	ДАД	0.310	Не значимое различие
3	СрАД	0.066	Не значимое различие
4	ЧСС	0.670	Не значимое различие
5	ИА	0.181	Не значимое различие
6	SpO2	0.233	Не значимое различие
7	Cl-	0.000	Различие значимо
8	Лактат	0.511	Не значимое различие
9	Амилаза	0.017	Различие значимо
10	АЛТ	0.000	Различие значимо
11	АСТ	0.000	Различие значимо
12	АЧТВ	0.377	Не значимое различие
13	Инфузия, % от N	0.345	Не значимое различие
14	КИ	0.942	Не значимое различие

---

Анализ различий между значениями параметров разных ГТ-групп пациентов

На основе получения ГТ и исходов заболевания было сформировано 9 групп пациентов:

1. Общая группа (все пациенты)
2. Пациенты, получавшие ГТ
3. Пациенты, не получавшие ГТ
4. Выжившие пациенты
5. Выжившие пациенты, получавшие ГТ
6. Выжившие пациенты, не получавшие ГТ
7. Умершие пациенты
8. Умершие пациенты, получавшие ГТ
9. Умершие пациенты, не получавшие ГТ

days = list(range(1,8))
df_all = df.loc[df.Day==7,'ID'].unique().copy()
df_all = df.loc[(df.ID.isin(df_all))&(df.Day.isin(days)),:].copy()
df_gt_users = df_all.loc[df_all.GT==1,'ID'].unique().copy()
df_gt = df_all.loc[df_all.ID.isin(df_gt_users),:].copy()
df_nogt = df_all.loc[~df_all.ID.isin(df_gt_users),:].copy()
df_surv = df_all.loc[df_all.OUTCOME=='Survived',:].copy()
# df_surv_gt_users = df_all.loc[(df_all.OUTCOME=='Survived')&(df_all.GT==1),'ID'].unique()
df_surv_gt = df_gt.loc[df_gt.OUTCOME=='Survived',:].copy()
df_surv_nogt = df_nogt.loc[df_nogt.OUTCOME=='Survived',:].copy()
df_died = df_all.loc[df_all.OUTCOME=='Died',:].copy()
# df_died_gt_users = df_all.loc[(df_all.OUTCOME=='Died')&(df_all.GT==1),'ID'].unique()
df_died_gt = df_gt.loc[df_gt.OUTCOME=='Died',:].copy()
df_died_nogt = df_nogt.loc[df_nogt.OUTCOME=='Died',:].copy()

print(f'Всего пациентов, лечившихся 7 и более дней: {df_all.ID.nunique()}\n\
всего пациентов, получавших ГТ: {df_gt.ID.nunique()}\n\
всего пациентов, не получавших ГТ: {df_nogt.ID.nunique()}\n\
выживших пациентов: {df_surv.ID.nunique()}\n\
выживших, получавших ГТ: {df_surv_gt.ID.nunique()}\n\
выживших, не получавших ГТ: {df_surv_nogt.ID.nunique()}\n\
умерших пациентов: {df_died.ID.nunique()}\n\
умерших, получавших ГТ: {df_died_gt.ID.nunique()}\n\
умерших, не получавших ГТ: {df_died_nogt.ID.nunique()}\n\
')

Всего пациентов, лечившихся 7 и более дней: 82
всего пациентов, получавших ГТ: 58
всего пациентов, не получавших ГТ: 24
выживших пациентов: 68
выживших, получавших ГТ: 47
выживших, не получавших ГТ: 21
умерших пациентов: 14
умерших, получавших ГТ: 11
умерших, не получавших ГТ: 3

Поиск внутригрупповых различий в разные дни производили с помощью теста Фридмана

1. Изучение 1, 2, 3, 4, 5, 6, 7 дней

from scipy.stats import friedmanchisquare
def highlight(x):
    color = 'lightgreen' if float(x.split(' ')[-1])<=0.01 else 'lightblue'
    return 'background-color: %s' % color


params = list(set(df_all.columns[4:-1])-set(['Масса тела','Площадь тела']))
tab_lists = ['Все пациенты','Получали ГТ','Не получали ГТ', 'Выжили', 'Выжили, получали ГТ', 'Выжили, не получали ГТ', 'Умерли', 'Умерли, получали ГТ','Умерли, не получали ГТ']
results = []
for i in params:
#     print('*'*5,i,'*'*(50-len(list(i))))
    for k,z in enumerate([df_all,df_gt,df_nogt, df_surv, df_surv_gt, df_surv_nogt, df_died, df_died_gt, df_died_nogt]):
        stat,p = friedmanchisquare(z.loc[z.Day==1,i],z.loc[z.Day==2,i],z.loc[z.Day==3,i],z.loc[z.Day==4,i],z.loc[z.Day==5,i],z.loc[z.Day==6,i],z.loc[z.Day==7,i])
#         print(tab_lists[k],round(p,4))
        values = [round(z[i].median(),2),round(z[i].quantile(0.25),2),round(z[i].quantile(0.75),2),round(p,4)]
        results.append([i,tab_lists[k],str(values[0])+';\r\n ['+str(values[1])+', '+str(values[2])+'] p_value ='+' '+str(values[-1])])

a = pd.DataFrame(results)
a = a.pivot(columns = 1,index = 0,values = 2).rename_axis(None, axis=0).rename_axis('Параметры', axis=1).style.applymap(highlight)
a

Параметры	Все пациенты	Выжили	Выжили, не получали ГТ	Выжили, получали ГТ	Не получали ГТ	Получали ГТ	Умерли	Умерли, не получали ГТ	Умерли, получали ГТ
Cl-	110.0; [106.0, 116.75] p_value = 0.0002	110.0; [105.0, 115.0] p_value = 0.0	110.0; [105.5, 116.0] p_value = 0.0523	110.0; [105.0, 115.0] p_value = 0.0001	110.85; [106.75, 116.0] p_value = 0.2838	110.0; [105.3, 117.0] p_value = 0.0007	112.0; [108.74, 123.0] p_value = 0.3385	112.1; [108.74, 132.0] p_value = 0.3776	112.0; [108.74, 123.0] p_value = 0.7231
SpO2	99.0; [98.0, 100.0] p_value = 0.6888	99.0; [98.0, 100.0] p_value = 0.6282	99.0; [97.0, 100.0] p_value = 0.8323	99.0; [98.0, 100.0] p_value = 0.2393	99.0; [98.0, 100.0] p_value = 0.5531	99.0; [98.0, 100.0] p_value = 0.1821	98.0; [98.0, 99.0] p_value = 0.1251	99.0; [98.0, 100.0] p_value = 0.034	98.0; [98.0, 99.0] p_value = 0.0451
АЛТ	41.3; [21.21, 93.0] p_value = 0.0029	38.48; [19.95, 89.52] p_value = 0.0004	44.4; [22.25, 117.35] p_value = 0.0117	33.7; [19.3, 71.0] p_value = 0.0738	44.8; [22.0, 103.55] p_value = 0.0242	40.9; [21.02, 85.64] p_value = 0.176	66.0; [41.0, 111.5] p_value = 0.8893	71.0; [22.0, 72.75] p_value = 0.7574	66.0; [42.8, 113.0] p_value = 0.9291
АСТ	58.75; [36.0, 120.65] p_value = 0.0	54.4; [35.38, 100.1] p_value = 0.0	60.4; [43.85, 112.95] p_value = 0.0	50.6; [33.2, 95.0] p_value = 0.0	60.4; [40.04, 125.0] p_value = 0.0	57.0; [35.3, 118.52] p_value = 0.0	110.5; [45.0, 183.0] p_value = 0.8795	85.0; [30.0, 189.0] p_value = 0.8219	111.0; [80.0, 177.0] p_value = 0.9413
АЧТВ	31.0; [24.8, 36.5] p_value = 0.1001	31.0; [26.3, 36.62] p_value = 0.0358	32.3; [27.0, 39.0] p_value = 0.4393	31.0; [26.0, 35.0] p_value = 0.0832	32.05; [26.3, 38.39] p_value = 0.3098	30.0; [24.0, 35.08] p_value = 0.2805	24.5; [0.0, 36.15] p_value = 0.0035	25.0; [0.0, 31.5] p_value = 0.0983	24.0; [0.0, 37.0] p_value = 0.1185
Амилаза	51.3; [0.0, 120.69] p_value = 0.0	63.85; [27.0, 143.52] p_value = 0.0	55.7; [27.5, 102.85] p_value = 0.0019	69.4; [27.0, 171.2] p_value = 0.0	50.5; [19.22, 101.1] p_value = 0.0019	51.3; [0.0, 140.43] p_value = 0.0	0.0; [0.0, 0.0] p_value = 0.667	0.0; [0.0, 63.4] p_value = 0.4232	0.0; [0.0, 0.0] p_value = 0.4232
ДАД	62.0; [55.0, 70.0] p_value = 0.0019	63.0; [55.0, 70.0] p_value = 0.0002	65.0; [60.0, 72.0] p_value = 0.4422	61.0; [55.0, 70.0] p_value = 0.0001	63.0; [58.0, 72.0] p_value = 0.0938	61.0; [55.0, 70.0] p_value = 0.0078	60.0; [51.0, 74.75] p_value = 0.8088	56.0; [51.0, 63.0] p_value = 0.0516	64.0; [52.0, 76.0] p_value = 0.1455
Диурез, мл/кг	48.0; [33.24, 75.5] p_value = 0.0009	47.83; [32.98, 75.0] p_value = 0.0033	48.46; [34.52, 79.17] p_value = 0.3763	47.5; [32.22, 73.33] p_value = 0.0078	48.23; [34.75, 79.17] p_value = 0.2918	47.83; [32.94, 74.5] p_value = 0.0011	49.17; [35.01, 79.0] p_value = 0.5069	45.83; [40.54, 79.17] p_value = 0.7555	50.0; [34.62, 78.5] p_value = 0.1573
ИА	0.91; [0.76, 1.09] p_value = 0.0001	0.9; [0.74, 1.07] p_value = 0.0001	0.93; [0.73, 1.09] p_value = 0.8015	0.89; [0.75, 1.06] p_value = 0.0	0.97; [0.74, 1.11] p_value = 0.7597	0.9; [0.77, 1.08] p_value = 0.0	1.0; [0.85, 1.21] p_value = 0.6558	1.15; [1.0, 1.29] p_value = 0.7153	0.97; [0.83, 1.19] p_value = 0.501
Инфузия, % от N	118.33; [96.21, 147.46] p_value = 0.0	116.16; [94.27, 144.06] p_value = 0.0	114.7; [98.83, 145.83] p_value = 0.093	117.23; [92.59, 143.75] p_value = 0.0001	119.03; [99.96, 147.58] p_value = 0.1117	118.26; [94.2, 145.08] p_value = 0.0001	131.54; [105.42, 163.3] p_value = 0.8688	140.71; [123.12, 163.33] p_value = 0.9197	129.17; [102.27, 163.19] p_value = 0.7277
КИ	5.0; [0.0, 7.5] p_value = 0.0057	4.55; [0.0, 5.6] p_value = 0.0064	1.3; [0.0, 5.0] p_value = 0.6135	5.0; [0.0, 7.0] p_value = 0.0144	2.75; [0.0, 7.5] p_value = 0.4063	5.0; [0.0, 7.5] p_value = 0.0233	7.5; [4.0, 14.0] p_value = 0.0073	14.0; [14.0, 30.0] p_value = 0.1265	5.0; [2.5, 10.0] p_value = 0.0364
Лактат	1.2; [0.15, 1.9] p_value = 0.0004	1.3; [0.9, 1.9] p_value = 0.0003	1.3; [1.0, 1.7] p_value = 0.3905	1.3; [0.8, 2.0] p_value = 0.0002	1.4; [1.0, 1.8] p_value = 0.6424	1.2; [0.0, 2.08] p_value = 0.0001	0.0; [0.0, 2.5] p_value = 0.6692	1.5; [0.0, 2.6] p_value = 0.6577	0.0; [0.0, 2.2] p_value = 0.7321
САД	110.0; [100.0, 120.0] p_value = 0.0002	110.0; [100.0, 120.0] p_value = 0.0	115.0; [100.0, 120.0] p_value = 0.332	110.0; [100.0, 120.0] p_value = 0.0	112.0; [100.0, 120.25] p_value = 0.1962	110.0; [100.0, 120.0] p_value = 0.0002	106.0; [92.25, 120.0] p_value = 0.7671	105.0; [90.0, 121.0] p_value = 0.1746	107.0; [95.0, 120.0] p_value = 0.4625
СрАД	78.33; [71.33, 87.67] p_value = 0.0003	78.83; [72.0, 87.33] p_value = 0.0	81.0; [73.17, 88.67] p_value = 0.2954	78.33; [71.67, 86.67] p_value = 0.0	80.0; [71.33, 88.67] p_value = 0.0638	78.33; [71.42, 87.33] p_value = 0.0011	77.5; [65.0, 89.92] p_value = 0.8761	70.0; [65.0, 80.0] p_value = 0.0336	78.33; [66.67, 90.0] p_value = 0.3204
ЧСС	102.0; [88.0, 118.0] p_value = 0.0118	100.0; [85.0, 115.25] p_value = 0.0028	100.0; [88.0, 115.0] p_value = 0.6786	100.0; [84.0, 116.0] p_value = 0.0015	102.5; [89.0, 116.25] p_value = 0.6667	102.0; [85.25, 118.0] p_value = 0.0149	109.5; [95.0, 125.0] p_value = 0.5174	115.0; [100.0, 128.0] p_value = 0.9036	107.0; [93.0, 122.0] p_value = 0.2744

1. Изучение 2, 3, 4, 5, 6, 7 дней

def highlight(x):
    color = 'lightgreen' if x<=0.01 else 'lightblue'
    return 'background-color: %s' % color


params = list(set(df_all.columns[4:-1])-set(['Масса тела','Площадь тела']))
tab_lists = ['Все пациенты','Получали ГТ','Не получали ГТ', 'Выжили', 'Выжили, получали ГТ', 'Выжили, не получали ГТ', 'Умерли', 'Умерли, получали ГТ','Умерли, не получали ГТ']
results = []
for i in params:
#     print('*'*5,i,'*'*(50-len(list(i))))
    for k,z in enumerate([df_all,df_gt,df_nogt, df_surv, df_surv_gt, df_surv_nogt, df_died, df_died_gt, df_died_nogt]):
        stat,p = friedmanchisquare(z.loc[z.Day==2,i],z.loc[z.Day==3,i],z.loc[z.Day==4,i],z.loc[z.Day==5,i],z.loc[z.Day==6,i],z.loc[z.Day==7,i])
#         print(tab_lists[k],round(p,4))
        results.append([i,tab_lists[k],round(p,4)])

a = pd.DataFrame(results)
a = a.pivot(columns = 1,index = 0,values = 2).rename_axis(None, axis=0).rename_axis('Параметры', axis=1).style.applymap(highlight)
a

Параметры	Все пациенты	Выжили	Выжили, не получали ГТ	Выжили, получали ГТ	Не получали ГТ	Получали ГТ	Умерли	Умерли, не получали ГТ	Умерли, получали ГТ
Cl-	0.000100	0.000000	0.124400	0.000100	0.285600	0.000400	0.890300	0.897700	0.840200
SpO2	0.530800	0.468800	0.633500	0.123900	0.579800	0.115200	0.043800	0.152000	0.018200
АЛТ	0.002700	0.000200	0.004200	0.062000	0.026000	0.116000	0.908600	0.971000	0.893100
АСТ	0.000000	0.000000	0.000000	0.000000	0.000000	0.000000	0.847400	0.784800	0.870500
АЧТВ	0.517700	0.051500	0.470500	0.061700	0.549600	0.442100	0.002200	0.102600	0.067400
Амилаза	0.064100	0.109600	0.016000	0.642600	0.036500	0.539100	0.509100	0.415900	0.415900
ДАД	0.000600	0.000000	0.560300	0.000000	0.159300	0.006700	0.924700	0.068600	0.332600
Диурез, мл/кг	0.004600	0.017100	0.575500	0.011900	0.417400	0.001600	0.410800	0.670600	0.118700
ИА	0.009100	0.012200	0.979000	0.001400	0.953300	0.001100	0.598200	0.670600	0.547900
Инфузия, % от N	0.119600	0.191700	0.877900	0.187300	0.842400	0.096200	0.749800	0.787200	0.618000
КИ	0.977900	0.211500	0.635800	0.248200	0.763100	0.879800	0.014800	0.189300	0.027800
Лактат	0.007400	0.017000	0.325700	0.007800	0.443900	0.003500	0.604400	0.954000	0.593500
САД	0.000100	0.000000	0.182400	0.000000	0.122300	0.000100	0.521700	0.203100	0.300800
СрАД	0.000100	0.000000	0.417600	0.000000	0.157700	0.000500	0.830500	0.061400	0.476400
ЧСС	0.156300	0.184100	0.768200	0.083900	0.779400	0.102000	0.519800	0.794700	0.326600

1. Изучение 3, 4, 5, 6, 7 дней

def highlight(x):
    color = 'lightgreen' if x<=0.01 else 'lightblue'
    return 'background-color: %s' % color


params = list(set(df_all.columns[4:-1])-set(['Масса тела','Площадь тела']))
tab_lists = ['Все пациенты','Получали ГТ','Не получали ГТ', 'Выжили', 'Выжили, получали ГТ', 'Выжили, не получали ГТ', 'Умерли', 'Умерли, получали ГТ','Умерли, не получали ГТ']
results = []
for i in params:
#     print('*'*5,i,'*'*(50-len(list(i))))
    for k,z in enumerate([df_all,df_gt,df_nogt, df_surv, df_surv_gt, df_surv_nogt, df_died, df_died_gt, df_died_nogt]):
        stat,p = friedmanchisquare(z.loc[z.Day==3,i],z.loc[z.Day==4,i],z.loc[z.Day==5,i],z.loc[z.Day==6,i],z.loc[z.Day==7,i])
#         print(tab_lists[k],round(p,4))
        results.append([i,tab_lists[k],round(p,4)])

a = pd.DataFrame(results)
a = a.pivot(columns = 1,index = 0,values = 2).rename_axis(None, axis=0).rename_axis('Параметры', axis=1).style.applymap(highlight)
a

Параметры	Все пациенты	Выжили	Выжили, не получали ГТ	Выжили, получали ГТ	Не получали ГТ	Получали ГТ	Умерли	Умерли, не получали ГТ	Умерли, получали ГТ
Cl-	0.000300	0.000000	0.356600	0.000000	0.521500	0.000200	0.934800	0.828400	0.784800
SpO2	0.900000	0.375200	0.837300	0.248400	0.592700	0.850500	0.262700	0.171200	0.072900
АЛТ	0.059800	0.021200	0.104600	0.211900	0.268800	0.253100	0.869600	0.961300	0.829700
АСТ	0.000000	0.000000	0.005700	0.000000	0.006600	0.000000	0.627000	0.651500	0.685900
АЧТВ	0.185000	0.005400	0.640200	0.008900	0.849300	0.162500	0.000800	0.109300	0.018300
Амилаза	0.050200	0.115500	0.023800	0.594900	0.028300	0.479100	0.267400	0.406000	0.406000
ДАД	0.018900	0.001900	0.465500	0.003900	0.132800	0.166300	0.875100	0.069300	0.311800
Диурез, мл/кг	0.012100	0.030000	0.414100	0.128600	0.359400	0.052500	0.392400	0.569000	0.143500
ИА	0.784800	0.638700	0.902700	0.374400	0.858700	0.375800	0.855700	0.483000	0.576600
Инфузия, % от N	0.171200	0.212800	0.751000	0.184200	0.696000	0.104300	0.708900	0.615100	0.478600
КИ	0.910400	0.076400	0.423800	0.073600	0.550400	0.679400	0.027200	0.406000	0.019700
Лактат	0.426500	0.500700	0.341100	0.196800	0.508800	0.175100	0.830200	0.926100	0.793000
САД	0.000400	0.000000	0.074800	0.000200	0.045100	0.004500	0.587900	0.146000	0.201300
СрАД	0.014200	0.001800	0.350400	0.002900	0.162100	0.095400	0.731700	0.058600	0.376600
ЧСС	0.305800	0.394200	0.650400	0.567300	0.681000	0.452600	0.493700	0.572100	0.246200

ИТОГ:

• При статистическом анализе данных за 1/2/3 день и средними значениями (последующие дни, до 7 дня включительно) с помощью теста Фридмана:
  • в группах умерших пациентов статистически значимых различий в разные дни не было, т.е. они были резистентны к проводимой ГТ (не только ГТ, возможно).
  • в остальных группах, не получавших ГТ, различия были менее выражены, чем в группах, получавших ГТ.
  • к третьему дню статистически значимых различий по наблюдаемым параметрам становится меньше.

Эти данные согласуются с проведенным ранее (см. выше) тестом Уилкоксона. При этом данный тест позволил выявить группы пациентов, в которых демонстрируются максимальные различия в параметрах на разных сроках лечения.

Ниже мы проследим за этими изменениями на графиках

tab_list = [df_all,df_gt,df_nogt, df_surv, df_surv_gt, df_surv_nogt, df_died, df_died_gt, df_died_nogt]
tab_lists = ['Все пациенты','Получали ГТ','Не получали ГТ', 'Выжили', 'Выжили, получали ГТ', 'Выжили, не получали ГТ', 'Умерли', 'Умерли, получали ГТ','Умерли, не получали ГТ']
fig,axis = plt.subplots(15,9,figsize = (30,75))

for k,z in enumerate(params):
    if z!='КИ' and z!='Лактат':
        y_max = df_all[z].max()
        while y_max>(df_all[z].mean()*5):
            y_max = y_max/5
        y_min = df_all[z].min()
        while y_min<(df_all[z].mean()/5):
            y_min = (y_min+1)*5
    elif z=='КИ':
        y_max = 100
        y_min = 0
    elif z=='Лактат':
        y_max = 20
        y_min = 0
    for kk,i in enumerate(tab_list):
        sns.boxplot(x = tab_list[kk]['Day'], y = tab_list[kk][z],orient='vertical',ax=axis[k,kk],).set_ylabel(None)
        axis[k,kk].set_title(f'{z}\n{tab_lists[kk]}')
        axis[k,kk].set_ylim(y_min,y_max)
plt.tight_layout()
plt.show()

• не смотря на то, что на графиках бокс-плот видимой, бросающейся в глаза, разницы не обнаруживается, продолжим графический анализ: проанализируем динамику средних значений

fig,axis = plt.subplots(15,9,figsize = (30,75))
for k,z in enumerate(params):
    if z!='КИ' and z!='Лактат':
        y_max = df_all[z].max()
        while y_max>(df_all[z].mean()*5):
            y_max = y_max/5
        y_min = df_all[z].min()
        while y_min<(df_all[z].mean()/5):
            y_min = (y_min+1)*5
    elif z=='КИ':
        y_max = 100
        y_min = 0
    elif z=='Лактат':
        y_max = 20
        y_min = 0
    for kk,i in enumerate(tab_list):
        sns.lineplot(x = tab_list[kk]['Day'], y = tab_list[kk][z],ax=axis[k,kk],).set_ylabel(None)
        axis[k,kk].set_title(f'{z}\n{tab_lists[kk]}')
        axis[k,kk].set_ylim(y_min,y_max)
plt.tight_layout()
plt.show()

# Пример для статьи: систолическое артериальное давление
for k,z in enumerate(["САД"]):
    y_max = df_all[z].max()
    while y_max>(df_all[z].mean()*5):
        y_max = y_max/5
    y_min = df_all[z].min()
    while y_min<(df_all[z].mean()/5):
        y_min = (y_min+1)*5
    for kk,i in enumerate(tab_list[-3:]):
        sns.lineplot(x = tab_list[-3:][kk]['Day'], y = tab_list[-3:][kk][z]).set_ylabel(None)
        if tab_list[-3:][kk]['OUTCOME'].unique()=='Died':
            outcome = 'Летальный исход'
        else:
            outcome = 'Благоприятный исход'
        if len(tab_lists[-3:][kk].split(', '))==1:
            gt = ""
        elif tab_lists[-3:][kk].split(', ')[-1]=='не получали ГТ':
            gt = "КС не применялись"
        else:
            gt = "КС применялись"
        title = outcome + str('\n') + gt
        plt.title(title)
        plt.ylabel('САД\nмм.рт.ст.')
        plt.xlabel('День')
        plt.ylim(y_min,y_max)
        plt.tight_layout()
        plt.xticks(np.arange(1, 8, step=1))
        # plt.savefig(f'{title}.jpeg', dpi=300, transparent=False)
        plt.show()
        

На графиках светло-голубым цветом обозначены доверительные интервалы средних значений: обращает на себя внимание разные доверительные интервалы средних значений для групп умерших и выживших (у выживших они Уже) и для подгрупп (ГТ+ и ГТ-) в этих же группах (в группах ГТ+ доверительные интервалы также Уже).
В связи с этим добавим новые признаки: 2 стандартных отклонения средних значений для каждого параметра в меньшую и большую сторону.

• сначала без учета p-value посмотрим на медиану, 25 и 75 центили
• затем вычтем из верхней границы межквартильного размаха минимальные и максимальные значения для каждого пациента - и по полученным данным проведем анализ Краскела-Уоллиса на наличие различий между тремя интересующими группами:
  • группа выживших, получавшая ГТ (один из наиболее узких разбросов средних на графиках);
  • умершие пациенты, получавшие ГТ (также достаточно узкий разброс; из-за этого они могут быть "приближены" к выжившим и, возможно, затруднят поиск различий между тремя группами; таким образом, при выявлении различий можно чуть больше доверять полученным результатам);
  • умершие пациенты, не получавшие ГТ (на соответствующих графиках видно, что разброс возможных значений среднего у этой группы больше)

for i in params:
    i_std_min = str(i+'_std_min')
    i_std_max = str(i+'_std_max')
    for tab in tab_list:
        tab[i_std_min]=0
        tab[i_std_max]=0
        tab.loc[:,i_std_min] = tab[i].mean() - tab[i].std(ddof=1)*2 / np.sqrt(tab.shape[0])
        tab.loc[:,i_std_max] = tab[i].mean() + tab[i].std(ddof=1)*2 / np.sqrt(tab.shape[0])
        
pd.options.display.max_rows = 350
params2 = df_all.columns[2:].drop(['OUTCOME','GT'])
results2 = []
for day in days:
    for i in params2:
        results2.append([i,day,df_surv_gt.loc[df_surv_gt.Day==day,i].median(),df_surv_gt.loc[df_surv_gt.Day==day,i].quantile(0.25),df_surv_gt.loc[df_surv_gt.Day==day,i].quantile(0.75),\
                        df_died_gt.loc[df_died_gt.Day==day,i].median(),df_died_gt.loc[df_died_gt.Day==day,i].quantile(0.25),df_died_gt.loc[df_died_gt.Day==day,i].quantile(0.75),\
                        df_died_nogt.loc[df_died_nogt.Day==day,i].median(),df_died_nogt.loc[df_died_nogt.Day==day,i].quantile(0.25),df_died_nogt.loc[df_died_nogt.Day==day,i].quantile(0.75)])
result2_df = pd.DataFrame(results2,columns=['Параметр','День','Медиана в группе выживших пациентов ГТ+','25-квантиль в группе выживших пациентов ГТ+','75-квантиль в группе выживших пациентов ГТ+',\
                                           'Медиана в группе умерших пациентов ГТ+','25-квантиль в группе умерших пациентов ГТ+','75-квантили в группе умерших пациентов ГТ+',\
                                           'Медиана в группе умерших пациентов ГТ-','25-квантиль в группе умерших пациентов ГТ-','75-квантили в группе умерших пациентов ГТ-'])
result2_df.groupby('Параметр',as_index=False).mean()[['Параметр','Медиана в группе выживших пациентов ГТ+','25-квантиль в группе выживших пациентов ГТ+','75-квантиль в группе выживших пациентов ГТ+',\
                                           'Медиана в группе умерших пациентов ГТ+','25-квантиль в группе умерших пациентов ГТ+','75-квантили в группе умерших пациентов ГТ+',\
                                           'Медиана в группе умерших пациентов ГТ-','25-квантиль в группе умерших пациентов ГТ-','75-квантили в группе умерших пациентов ГТ-']].sort_values('Параметр')

	Параметр	Медиана в группе выживших пациентов ГТ+	25-квантиль в группе выживших пациентов ГТ+	75-квантиль в группе выживших пациентов ГТ+	Медиана в группе умерших пациентов ГТ+	25-квантиль в группе умерших пациентов ГТ+	75-квантили в группе умерших пациентов ГТ+	Медиана в группе умерших пациентов ГТ-	25-квантиль в группе умерших пациентов ГТ-	75-квантили в группе умерших пациентов ГТ-
0	Cl-	110.000000	105.521429	115.000000	113.534965	107.623876	124.357143	117.328571	112.762787	123.288911
1	Cl-_std_max	112.463360	112.463360	112.463360	120.598545	120.598545	120.598545	123.852853	123.852853	123.852853
2	Cl-_std_min	110.399127	110.399127	110.399127	112.844521	112.844521	112.844521	112.663697	112.663697	112.663697
3	SpO2	99.142857	97.714286	100.000000	98.285714	97.357143	98.785714	98.571429	98.428571	99.142857
4	SpO2_std_max	98.744755	98.744755	98.744755	98.237813	98.237813	98.237813	99.320787	99.320787	99.320787
5	SpO2_std_min	97.680777	97.680777	97.680777	97.112836	97.112836	97.112836	98.393499	98.393499	98.393499
6	АЛТ	34.407143	19.553571	75.914286	68.885714	43.307143	118.178571	55.142857	37.514286	79.260714
7	АЛТ_std_max	101.630837	101.630837	101.630837	150.354012	150.354012	150.354012	77.800417	77.800417	77.800417
8	АЛТ_std_min	64.213844	64.213844	64.213844	74.344690	74.344690	74.344690	41.137678	41.137678	41.137678
9	АСТ	56.528571	33.967857	109.900000	110.857143	78.700000	166.457143	116.971429	71.707143	192.657143
10	АСТ_std_max	134.839104	134.839104	134.839104	223.924074	223.924074	223.924074	212.162012	212.162012	212.162012
11	АСТ_std_min	87.087948	87.087948	87.087948	118.930471	118.930471	118.930471	62.342750	62.342750	62.342750
12	АЧТВ	30.571429	26.228571	35.103571	20.571429	0.000000	35.642857	29.114286	14.557143	32.142857
13	АЧТВ_std_max	29.853693	29.853693	29.853693	25.939146	25.939146	25.939146	28.745690	28.745690	28.745690
14	АЧТВ_std_min	26.900714	26.900714	26.900714	15.372542	15.372542	15.372542	14.111453	14.111453	14.111453
15	Амилаза	79.228571	26.328571	160.578571	0.000000	0.000000	0.000000	0.000000	0.000000	72.239286
16	Амилаза_std_max	167.260358	167.260358	167.260358	31.279607	31.279607	31.279607	90.055758	90.055758	90.055758
17	Амилаза_std_min	117.076663	117.076663	117.076663	0.616497	0.616497	0.616497	6.263289	6.263289	6.263289
18	Возраст	11.000000	4.000000	15.500000	5.500000	4.916667	11.000000	12.000000	6.500000	12.500000
19	ДАД	61.571429	55.285714	69.642857	62.857143	52.428571	73.500000	55.714286	52.785714	65.642857
20	ДАД_std_max	64.918596	64.918596	64.918596	66.035410	66.035410	66.035410	66.931090	66.931090	66.931090
21	ДАД_std_min	62.126997	62.126997	62.126997	57.912642	57.912642	57.912642	53.830814	53.830814	53.830814
22	Диурез, мл/кг	47.762075	31.296542	75.735034	53.646520	36.138818	73.032458	54.103741	42.885204	75.617347
23	Диурез, мл/кг_std_max	63.021770	63.021770	63.021770	68.303735	68.303735	68.303735	75.868868	75.868868	75.868868
24	Диурез, мл/кг_std_min	54.168753	54.168753	54.168753	51.484417	51.484417	51.484417	46.065372	46.065372	46.065372
25	ИА	0.895437	0.761131	1.074325	0.950591	0.850068	1.147787	1.152367	1.031930	1.239860
26	ИА_std_max	0.985762	0.985762	0.985762	1.164285	1.164285	1.164285	1.218492	1.218492	1.218492
27	ИА_std_min	0.916680	0.916680	0.916680	0.972164	0.972164	0.972164	1.042316	1.042316	1.042316
28	Инфузия, % от N	115.434485	93.452778	142.021434	125.263541	102.898414	157.053333	140.750000	123.357143	156.979167
29	Инфузия, % от N_std_max	128.417599	128.417599	128.417599	145.927057	145.927057	145.927057	154.364573	154.364573	154.364573
30	Инфузия, % от N_std_min	117.645989	117.645989	117.645989	124.380597	124.380597	124.380597	125.583840	125.583840	125.583840
31	КИ	4.285714	0.000000	6.692857	5.000000	2.071429	10.142857	19.571429	15.178571	30.000000
32	КИ_std_max	9.523932	9.523932	9.523932	26.322020	26.322020	26.322020	32.207693	32.207693	32.207693
33	КИ_std_min	5.571022	5.571022	5.571022	7.781876	7.781876	7.781876	14.982783	14.982783	14.982783
34	Лактат	1.357143	0.707143	2.057143	0.000000	0.000000	2.003571	1.485714	0.742857	2.028571
35	Лактат_std_max	1.731334	1.731334	1.731334	2.259601	2.259601	2.259601	1.875307	1.875307	1.875307
36	Лактат_std_min	1.331583	1.331583	1.331583	0.946893	0.946893	0.946893	0.829455	0.829455	0.829455
37	Масса тела	45.000000	15.000000	60.000000	25.000000	19.500000	36.500000	40.000000	26.000000	48.000000
38	Площадь тела	1.030000	0.635000	1.210000	1.210000	0.760000	1.330000	0.730000	0.570000	0.790000
39	САД	109.857143	101.285714	118.285714	106.714286	94.714286	119.928571	101.142857	94.142857	114.000000
40	САД_std_max	112.632853	112.632853	112.632853	112.378946	112.378946	112.378946	113.338149	113.338149	113.338149
41	САД_std_min	109.361068	109.361068	109.361068	101.802872	101.802872	101.802872	96.757090	96.757090	96.757090
42	СрАД	78.190476	72.000000	86.714286	78.285714	67.357143	88.857143	70.619048	66.571429	81.642857
43	СрАД_std_max	80.733193	80.733193	80.733193	81.322030	81.322030	81.322030	82.117174	82.117174	82.117174
44	СрАД_std_min	77.961842	77.961842	77.961842	72.703944	72.703944	72.703944	68.422508	68.422508	68.422508
45	ЧСС	100.857143	85.857143	114.142857	107.285714	91.500000	121.785714	117.714286	107.357143	127.071429
46	ЧСС_std_max	105.261074	105.261074	105.261074	113.644871	113.644871	113.644871	126.888715	126.888715	126.888715
47	ЧСС_std_min	99.991205	99.991205	99.991205	102.459025	102.459025	102.459025	107.206523	107.206523	107.206523

for i in params:
    i_std_min = str(i+'_std_min')
    i_std_max = str(i+'_std_max')
    for tab in tab_list:
        tab[i_std_min]=0
        tab[i_std_max]=0
        for ids in set(tab.ID):
#             tab.loc[tab.ID==ids,i_std_min] = (tab[i].mean() + tab[i].std(ddof=1)*2 / np.sqrt(tab.shape[0])) - tab[tab.ID==ids][i].min()
#             tab.loc[tab.ID==ids,i_std_max] = tab[tab.ID==ids][i].max() - (tab[i].mean() - tab[i].std(ddof=1)*2 / np.sqrt(tab.shape[0]))
            tab.loc[tab.ID==ids,i_std_min] = ((tab[i].mean() + tab[i].std(ddof=1)*2 / np.sqrt(tab.shape[0])) - (tab[i].mean() - tab[i].std(ddof=1)*1.96 / np.sqrt(tab.shape[0]))) - tab[tab.ID==ids][i].min()
            tab.loc[tab.ID==ids,i_std_max] = ((tab[i].mean() + tab[i].std(ddof=1)*2 / np.sqrt(tab.shape[0])) - (tab[i].mean() - tab[i].std(ddof=1)*1.96 / np.sqrt(tab.shape[0]))) - tab[tab.ID==ids][i].max()

Теперь с помощью метода Краскела-Уоллиса попытаемся определить, есть ли значимые различия между группами пациентов по изучаемым параметрам
Выбор данного критерия обусловлен непараметрическим распределением данных, независимостью анализируемых выборок (в сформированных группах пациенты не переходят из одной группы в другую) и количеством групп более 2.

pd.options.display.max_rows = 350
params2 = df_all.columns[2:].drop(['OUTCOME','GT'])
results2 = []
for day in days:
    for i in params2:
        stat, p = stats.kruskal(df_surv_gt.loc[df_surv_gt.Day==day,i],\
                                df_died_gt.loc[df_died_gt.Day==day,i],\
                                df_died_nogt.loc[df_died_nogt.Day==day,i])
        results2.append([i,day,round(p,4),df_surv_gt.loc[df_surv_gt.Day==day,i].median(),df_surv_gt.loc[df_surv_gt.Day==day,i].quantile(0.25),df_surv_gt.loc[df_surv_gt.Day==day,i].quantile(0.75),\
                        df_died_gt.loc[df_died_gt.Day==day,i].median(),df_died_gt.loc[df_died_gt.Day==day,i].quantile(0.25),df_died_gt.loc[df_died_gt.Day==day,i].quantile(0.75),\
                        df_died_nogt.loc[df_died_nogt.Day==day,i].median(),df_died_nogt.loc[df_died_nogt.Day==day,i].quantile(0.25),df_died_nogt.loc[df_died_nogt.Day==day,i].quantile(0.75)])
result2_df = pd.DataFrame(results2,columns=['Параметр','День','p-value','Медиана в группе выживших пациентов ГТ+','25-квантиль в группе выживших пациентов ГТ+','75-квантиль в группе выживших пациентов ГТ+',\
                                           'Медиана в группе умерших пациентов ГТ+','25-квантиль в группе умерших пациентов ГТ+','75-квантили в группе умерших пациентов ГТ+',\
                                           'Медиана в группе умерших пациентов ГТ-','25-квантиль в группе умерших пациентов ГТ-','75-квантили в группе умерших пациентов ГТ-'])
result2_df.groupby('Параметр',as_index=False).mean()[['Параметр','p-value','Медиана в группе выживших пациентов ГТ+','25-квантиль в группе выживших пациентов ГТ+','75-квантиль в группе выживших пациентов ГТ+',\
                                           'Медиана в группе умерших пациентов ГТ+','25-квантиль в группе умерших пациентов ГТ+','75-квантили в группе умерших пациентов ГТ+',\
                                           'Медиана в группе умерших пациентов ГТ-','25-квантиль в группе умерших пациентов ГТ-','75-квантили в группе умерших пациентов ГТ-']].sort_values('p-value')

	Параметр	p-value	Медиана в группе выживших пациентов ГТ+	25-квантиль в группе выживших пациентов ГТ+	75-квантиль в группе выживших пациентов ГТ+	Медиана в группе умерших пациентов ГТ+	25-квантиль в группе умерших пациентов ГТ+	75-квантили в группе умерших пациентов ГТ+	Медиана в группе умерших пациентов ГТ-	25-квантиль в группе умерших пациентов ГТ-	75-квантили в группе умерших пациентов ГТ-
33	КИ_std_min	0.000000	3.913381	-1.086619	3.913381	18.354743	13.854743	18.354743	9.052660	6.052660	10.552660
36	Лактат_std_min	0.000100	-0.504247	-0.754247	0.395753	1.299581	0.749581	1.299581	1.035393	0.535393	1.035393
4	SpO2_std_max	0.000100	-98.946662	-98.946662	-98.446662	-97.886273	-97.886273	-97.886273	-98.081984	-98.581984	-98.081984
14	АЧТВ_std_min	0.000400	-23.076551	-26.076551	-20.076551	10.460938	-20.039062	10.460938	-10.512106	-12.012106	1.987894
15	Амилаза	0.001129	79.228571	26.328571	160.578571	0.000000	0.000000	0.000000	0.000000	0.000000	72.239286
41	САД_std_min	0.006000	-96.760933	-102.260933	-86.760933	-81.529686	-90.029686	-57.029686	-73.584752	-83.084752	-66.584752
21	ДАД_std_min	0.011100	-47.236316	-57.236316	-42.236316	-35.958460	-49.458460	-21.958460	-30.030727	-36.530727	-30.030727
2	Cl-_std_min	0.015900	-101.956409	-104.956409	-98.406409	-94.323516	-102.195893	-91.823516	-96.922735	-97.295113	-92.922735
44	СрАД_std_min	0.017400	-66.256362	-71.256362	-58.923029	-52.134762	-64.801429	-33.968095	-45.108948	-54.608948	-42.775614
11	АСТ_std_min	0.019400	15.973645	-1.676355	25.523645	9.943667	-6.556333	62.443667	122.821070	93.071070	125.471070
16	Амилаза_std_max	0.021300	-82.318142	-259.718142	8.281858	30.356480	30.356480	30.356480	82.954544	-111.945456	82.954544
17	Амилаза_std_min	0.024800	14.681858	-3.768142	49.681858	30.356480	30.356480	30.356480	82.954544	65.404544	82.954544
35	Лактат_std_max	0.030000	-2.304247	-3.554247	-1.304247	1.299581	-2.000419	1.299581	-1.464607	-1.614607	-0.214607
32	КИ_std_max	0.038200	-1.086619	-6.586619	3.913381	10.354743	-4.645257	12.104743	-12.947340	-42.447340	-4.947340
40	САД_std_max	0.038300	-116.760933	-129.260933	-112.760933	-111.529686	-121.529686	-100.529686	-99.584752	-112.584752	-91.084752
8	АЛТ_std_min	0.043700	15.842823	-4.107177	23.117823	32.449229	14.599229	40.249229	2.296112	-16.203888	11.346112
31	КИ	0.071843	4.285714	0.000000	6.692857	5.000000	2.071429	10.142857	19.571429	15.178571	30.000000
13	АЧТВ_std_max	0.085100	-34.776551	-39.276551	-28.076551	-13.539062	-36.539062	10.460938	-26.312106	-31.412106	-5.912106
47	ЧСС_std_min	0.173900	-74.782830	-85.782830	-63.782830	-62.926012	-75.926012	-58.926012	-68.514630	-69.514630	-65.514630
38	Площадь тела	0.210500	1.030000	0.635000	1.210000	1.210000	0.760000	1.330000	0.730000	0.570000	0.790000
24	Диурез, мл/кг_std_min	0.214100	-17.068847	-28.235513	-4.989482	-12.296244	-27.182209	-2.348875	-3.827872	-8.661205	5.249509
3	SpO2	0.250829	99.142857	97.714286	100.000000	98.285714	97.357143	98.785714	98.571429	98.428571	99.142857
45	ЧСС	0.263029	100.857143	85.857143	114.142857	107.285714	91.500000	121.785714	117.714286	107.357143	127.071429
9	АСТ	0.289171	56.528571	33.967857	109.900000	110.857143	78.700000	166.457143	116.971429	71.707143	192.657143
6	АЛТ	0.294586	34.407143	19.553571	75.914286	68.885714	43.307143	118.178571	55.142857	37.514286	79.260714
5	SpO2_std_min	0.299300	-95.946662	-97.446662	-93.946662	-95.886273	-96.886273	-89.886273	-96.081984	-96.581984	-95.581984
37	Масса тела	0.333600	45.000000	15.000000	60.000000	25.000000	19.500000	36.500000	40.000000	26.000000	48.000000
43	СрАД_std_max	0.335500	-88.923029	-96.423029	-80.923029	-88.134762	-93.301429	-76.134762	-66.442281	-81.775614	-61.442281
25	ИА	0.336514	0.895437	0.761131	1.074325	0.950591	0.850068	1.147787	1.152367	1.031930	1.239860
12	АЧТВ	0.347543	30.571429	26.228571	35.103571	20.571429	0.000000	35.642857	29.114286	14.557143	32.142857
42	СрАД	0.355957	78.190476	72.000000	86.714286	78.285714	67.357143	88.857143	70.619048	66.571429	81.642857
19	ДАД	0.357043	61.571429	55.285714	69.642857	62.857143	52.428571	73.500000	55.714286	52.785714	65.642857
18	Возраст	0.361200	11.000000	4.000000	15.500000	5.500000	4.916667	11.000000	12.000000	6.500000	12.500000
20	ДАД_std_max	0.384600	-75.236316	-82.236316	-65.736316	-74.958460	-81.958460	-63.458460	-50.030727	-66.530727	-48.530727
0	Cl-	0.438771	110.000000	105.521429	115.000000	113.534965	107.623876	124.357143	117.328571	112.762787	123.288911
27	ИА_std_min	0.468900	-0.614942	-0.733556	-0.549000	-0.575018	-0.630163	-0.503098	-0.707306	-0.710890	-0.632300
34	Лактат	0.480129	1.357143	0.707143	2.057143	0.000000	0.000000	2.003571	1.485714	0.742857	2.028571
28	Инфузия, % от N	0.493543	115.434485	93.452778	142.021434	125.263541	102.898414	157.053333	140.750000	123.357143	156.979167
39	САД	0.514200	109.857143	101.285714	118.285714	106.714286	94.714286	119.928571	101.142857	94.142857	114.000000
29	Инфузия, % от N_std_max	0.565500	-142.771910	-170.690272	-112.755242	-142.419004	-202.037060	-124.514065	-161.215407	-161.777907	-156.986241
22	Диурез, мл/кг	0.601714	47.762075	31.296542	75.735034	53.646520	36.138818	73.032458	54.103741	42.885204	75.617347
23	Диурез, мл/кг_std_max	0.673800	-66.235513	-114.243450	-49.382949	-75.656568	-117.447713	-53.182209	-61.327872	-85.911205	-38.679062
10	АСТ_std_max	0.798600	-52.726355	-195.376355	-5.676355	-54.056333	-108.056333	0.943667	-40.678930	-345.478930	32.371070
26	ИА_std_max	0.820500	-1.122085	-1.416776	-0.962607	-1.086396	-1.304366	-0.821996	-1.169672	-1.221313	-1.152040
1	Cl-_std_max	0.823000	-114.956409	-122.956409	-108.206409	-112.323516	-129.323516	-104.323516	-120.922735	-125.422735	-111.422735
30	Инфузия, % от N_std_min	0.842300	-68.919439	-83.547728	-54.549017	-72.419004	-85.396822	-49.727081	-66.007074	-70.423741	-57.715407
46	ЧСС_std_max	0.926500	-119.782830	-136.782830	-104.782830	-118.926012	-122.926012	-113.926012	-115.514630	-137.014630	-110.514630
7	АЛТ_std_max	0.979600	-10.757177	-154.407177	10.692823	-39.750771	-94.250771	18.249229	-58.703888	-100.653888	-22.453888

• В данном случае выявлено, что минимальные и максимальные значения достоверно различаются для разных групп для целого ряда параметров:
  • катехоламиновый индекс, концентрация лактата,
  • SpO2
  • АЧТВ
  • амилаза крови
  • систолическое артериальное давление
  • диастолическое артериальное давление
  • среднее артериальное давление
  • хлор
  • АСТ
  • АЛТ

Далее мы проведем поиск и анализ данных пациентов, значения параметров у которых "выбиваются" из ДИ среднего наиболее часто (использован порог 2/3 записей), т.е. будет предпринята попытка статистического анализа различий между выжившими и умершими пациентами, а также пациентами ГТ+ и ГТ-, которые наиболее сильно отклоняются от средних значений исследуемых параметров в своих группах; возможно, будет обнаружено значительное различие, например, в случае отклонения значений умерших пациентов в меньшую от среднего сторону, а выживших - в большую сторону от среднего значения.

Сначала составлен список пациентов, значения которых отклонялись более, чем на 1,96std

results3 = []
for k,tab in enumerate(tab_list):
    for patient in tab.ID.unique():
        for day in days:
            checks_true = []
            checks_false = []
            for param in params:
                std = tab.loc[tab['Day']==day,param].std(ddof=1)
                mean = tab.loc[tab['Day']==day,param].mean()
                if mean-1.96*std/np.sqrt(tab[tab['Day']==day].shape[0]) <= tab.loc[(tab['Day']==day)&(tab['ID']==patient),param].values < mean+1.96*std/np.sqrt(tab[tab['Day']==day].shape[0]):
                    checks_true.append(param)
                else:
                    checks_false.append(param)
            results3.append([tab_lists[k],patient,day,checks_true,checks_false])

results3_df = pd.DataFrame(results3, columns = ['Группа пациентов','ID пациента','День лечения','Параметр в пределах среднее +/- 1.96std','Параметры за пределами среднее +/-1.96std'])
results3_df['Количество параметров за пределами 1.96std'] = [len(i) for i in results3_df['Параметры за пределами среднее +/-1.96std']]
results3_df.head()

	Группа пациентов	ID пациента	День лечения	Параметр в пределах среднее +/- 1.96std	Параметры за пределами среднее +/-1.96std	Количество параметров за пределами 1.96std
0	Все пациенты	3	1	[АЧТВ, Диурез, мл/кг, Амилаза]	[АСТ, АЛТ, КИ, Cl-, САД, ЧСС, Лактат, SpO2, ДА...	12
1	Все пациенты	3	2	[Амилаза]	[АСТ, АЛТ, КИ, АЧТВ, Диурез, мл/кг, Cl-, САД, ...	14
2	Все пациенты	3	3	[АЧТВ, Инфузия, % от N]	[АСТ, АЛТ, КИ, Диурез, мл/кг, Cl-, САД, ЧСС, Л...	13
3	Все пациенты	3	4	[АСТ, АЧТВ, САД, ЧСС, ДАД, СрАД, Амилаза]	[АЛТ, КИ, Диурез, мл/кг, Cl-, Лактат, SpO2, Ин...	8
4	Все пациенты	3	5	[АСТ, АЧТВ, САД, ДАД, СрАД]	[АЛТ, КИ, Диурез, мл/кг, Cl-, ЧСС, Лактат, SpO...	10

print("Количество значений, отклоняющихся от среднего более, чем на 1.96 std в группе ГТ-")
results3_df[results3_df['Группа пациентов']=='Не получали ГТ'].sort_values('Количество параметров за пределами 1.96std',ascending=False)['Количество параметров за пределами 1.96std'].sum()

Количество значений, отклоняющихся от среднего более, чем на 1.96 std в группе ГТ-

1693

print("Количество значений, отклоняющихся от среднего более, чем на 1.96 std в группе ГТ+")
results3_df[results3_df['Группа пациентов']=='Получали ГТ'].sort_values('Количество параметров за пределами 1.96std',ascending=False)['Количество параметров за пределами 1.96std'].sum()

Количество значений, отклоняющихся от среднего более, чем на 1.96 std в группе ГТ+

4566

Также получен список пациентов, значения которых отклонялись на 1std от среднего

results4 = []
for k,tab in enumerate(tab_list):
    for patient in tab.ID.unique():
        for day in days:
            checks_true = []
            checks_false = []
            for param in params:
                std = tab.loc[tab['Day']==day,param].std(ddof=1)
                mean = tab.loc[tab['Day']==day,param].mean()
                if mean-1*std/np.sqrt(tab[tab['Day']==day].shape[0]) <= tab.loc[(tab['Day']==day)&(tab['ID']==patient),param].values < mean+1*std/np.sqrt(tab[tab['Day']==day].shape[0]):
                    checks_true.append(param)
                else:
                    checks_false.append(param)
            results4.append([tab_lists[k],patient,day,checks_true,checks_false])

results4_df = pd.DataFrame(results4, columns = ['Группа пациентов','ID пациента','День лечения','Параметр в пределах среднее +/- 1std','Параметры за пределами среднее +/-1std'])
results4_df['Количество параметров за пределами 1std'] = [len(i) for i in results4_df['Параметры за пределами среднее +/-1std']]
results4_df.head()

	Группа пациентов	ID пациента	День лечения	Параметр в пределах среднее +/- 1std	Параметры за пределами среднее +/-1std	Количество параметров за пределами 1std
0	Все пациенты	3	1	[АЧТВ, Диурез, мл/кг]	[АСТ, АЛТ, КИ, Cl-, САД, ЧСС, Лактат, SpO2, ДА...	13
1	Все пациенты	3	2	[]	[АСТ, АЛТ, КИ, АЧТВ, Диурез, мл/кг, Cl-, САД, ...	15
2	Все пациенты	3	3	[Инфузия, % от N]	[АСТ, АЛТ, КИ, АЧТВ, Диурез, мл/кг, Cl-, САД, ...	14
3	Все пациенты	3	4	[АСТ, ДАД, СрАД, Амилаза]	[АЛТ, КИ, АЧТВ, Диурез, мл/кг, Cl-, САД, ЧСС, ...	11
4	Все пациенты	3	5	[АСТ, САД, ДАД, СрАД]	[АЛТ, КИ, АЧТВ, Диурез, мл/кг, Cl-, ЧСС, Лакта...	11

print("Количество значений, отклоняющихся от среднего более, чем на 1 std в группе ГТ-")
results4_df[results4_df['Группа пациентов']=='Не получали ГТ'].sort_values('Количество параметров за пределами 1std',ascending=False)['Количество параметров за пределами 1std'].sum()

Количество значений, отклоняющихся от среднего более, чем на 1 std в группе ГТ-

2124

print("Количество значений, отклоняющихся от среднего более, чем на 1 std в группе ГТ+")
results4_df[results4_df['Группа пациентов']=='Получали ГТ'].sort_values('Количество параметров за пределами 1std',ascending=False)['Количество параметров за пределами 1std'].sum()

Количество значений, отклоняющихся от среднего более, чем на 1 std в группе ГТ+

5321

print(f'{len(params)} параметров\n{df_gt.ID.nunique()} пациентов получали ГТ\n{df_nogt.ID.nunique()} пациентов не получали ГТ')

15 параметров
58 пациентов получали ГТ
24 пациентов не получали ГТ

Итак: всего 15 наблюдаемых параметров

• Интервал 1,96 сигмы:

В группе не получавших ГТ: 24 пациентов - и в ней всего 1655 из 15х24х7=2520 (т.е. 65.67%) записей не попадают в пределы средних значений.
В группе, получавшей ГТ: 58 пациента - и в ней всего 4431 из 15(параметров)х58(пациентов)х7(дней)=6090 (т.е. 72.76%) записей не попадают в пределы средних значений

• Интервал 1 сигма:

В группе не получавших ГТ: 24 пациентов - и в ней всего 2092 из 15х24х7=2520 (т.е. 83.02%) записей не попадают в пределы средних значений.
В группе, получавшей ГТ: 58 пациента - и в ней всего 5249 из 15(параметров)х58(пациентов)х7(дней)=6090 (т.е. 86.19%) записей не попадают в пределы средних значений

• Т.о. порядка 65-86% записей пациентов, получавших ГТ и не получавших ГТ сильно "оторваны" от других записей (т.е. расстояние между ними больше или равно 1 сигме); при этом в более узком нормальном распределении наблюдается около 68% значений в пределах 1 сигмы от наблюдаемого среднего - и, соответственно, только 32% за пределами 1 сигмы.
• Это еще раз подтверждает непараметричность распределения исследуемых значений;
• Это же свидетельствует о значительных колебаниях параметров пациентов в каждой группе, а значит, пациенты в разные дни имеют разные характеристики, и результаты ранее проведенного теста Фридмана также заслуживают доверия.

Ниже мы посмотрим, что это за пациенты: сколько параметров у каждого из них отстоит слишком далеко от среднего по выборке (т.е. "группе").

a = results3_df[results3_df['Группа пациентов']=='Получали ГТ'].sort_values('Количество параметров за пределами 1.96std',ascending=False).groupby(['ID пациента','День лечения'],as_index=False)['Количество параметров за пределами 1.96std'].sum()
# a.head(50)

b = results3_df[results3_df['Группа пациентов']=='Не получали ГТ'].sort_values('Количество параметров за пределами 1.96std',ascending=False).groupby(['ID пациента','День лечения'],as_index=False)['Количество параметров за пределами 1.96std'].sum()
# b

a = a.rename(columns={'ID пациента':'ID'}).groupby('ID',as_index=False).sum().sort_values('Количество параметров за пределами 1.96std')[['ID','Количество параметров за пределами 1.96std']].merge(df.groupby('ID',as_index=False)[['Day','OUTCOME']].max(),on='ID',how='left')
a['Количество записей'] = 15 * a['Day']
a['За переделами ДИ, %'] = a['Количество параметров за пределами 1.96std'] * 100 / a['Количество записей']
print('Группа ГТ+')
a.sort_values('За переделами ДИ, %',ascending=False)

Группа ГТ+

	ID	Количество параметров за пределами 1.96std	Day	OUTCOME	Количество записей	За переделами ДИ, %
51	125	88	7	Survived	105	83.809524
50	94	88	7	Died	105	83.809524
57	201	100	8	Survived	120	83.333333
47	49	87	7	Survived	105	82.857143
46	122	85	7	Died	105	80.952381
44	128	85	7	Died	105	80.952381
42	121	84	7	Survived	105	80.000000
39	8	83	7	Survived	105	79.047619
55	79	94	8	Died	120	78.333333
38	6	82	7	Survived	105	78.095238
52	55	90	8	Survived	120	75.000000
41	208	84	8	Survived	120	70.000000
10	41	71	7	Survived	105	67.619048
29	50	79	8	Survived	120	65.833333
5	212	69	7	Survived	105	65.714286
56	179	98	10	Survived	150	65.333333
48	200	88	9	Survived	135	65.185185
25	53	78	8	Survived	120	65.000000
22	40	77	8	Survived	120	64.166667
24	116	77	8	Survived	120	64.166667
45	92	85	9	Died	135	62.962963
54	34	94	10	Survived	150	62.666667
43	108	84	9	Survived	135	62.222222
19	103	74	8	Survived	120	61.666667
17	37	73	8	Survived	120	60.833333
12	81	72	8	Survived	120	60.000000
13	89	72	8	Died	120	60.000000
9	39	71	8	Survived	120	59.166667
6	84	71	8	Survived	120	59.166667
3	57	66	8	Survived	120	55.000000
34	58	80	10	Died	150	53.333333
49	214	88	11	Survived	165	53.333333
7	97	71	9	Survived	135	52.592593
23	19	77	10	Survived	150	51.333333
37	205	82	12	Died	180	45.555556
11	71	71	11	Survived	165	43.030303
40	96	83	13	Died	195	42.564103
1	70	62	10	Survived	150	41.333333
32	65	80	13	Survived	195	41.025641
0	213	53	9	Survived	135	39.259259
28	68	79	15	Survived	225	35.111111
31	31	79	16	Survived	240	32.916667
18	87	73	15	Survived	225	32.444444
35	64	81	17	Survived	255	31.764706
8	32	71	15	Survived	225	31.555556
27	95	79	17	Died	255	30.980392
36	18	81	18	Survived	270	30.000000
30	33	79	19	Survived	285	27.719298
20	74	74	18	Survived	270	27.407407
33	59	80	21	Survived	315	25.396825
4	3	68	19	Survived	285	23.859649
26	61	78	22	Survived	330	23.636364
53	88	91	27	Survived	405	22.469136
16	90	73	25	Died	375	19.466667
15	86	73	30	Survived	450	16.222222
2	85	63	31	Survived	465	13.548387
14	60	73	42	Survived	630	11.587302
21	120	75	49	Survived	735	10.204082

• Если исключить первый день, виден его вклад в общее количество отклонившихся от среднего группы параметров: % значений с сильным отклонением от ДИ заметно падает

a_non1 = results3_df.loc[(results3_df['Группа пациентов']=='Получали ГТ')&(results3_df['День лечения']>1),:].sort_values('Количество параметров за пределами 1.96std',ascending=False).groupby(['ID пациента','День лечения'],as_index=False)['Количество параметров за пределами 1.96std'].sum()
a_non1 = a_non1.rename(columns={'ID пациента':'ID'}).groupby('ID',as_index=False).sum().sort_values('Количество параметров за пределами 1.96std')[['ID','Количество параметров за пределами 1.96std']].merge(df.groupby('ID',as_index=False)[['Day','OUTCOME']].max(),on='ID',how='left')
a_non1['Количество записей'] = 15 * a_non1['Day']
a_non1['За переделами ДИ, %'] = a_non1['Количество параметров за пределами 1.96std'] * 100 / a_non1['Количество записей']
print('Группа ГТ+')
a_non1.sort_values('За переделами ДИ, %',ascending=False)

Группа ГТ+

	ID	Количество параметров за пределами 1.96std	Day	OUTCOME	Количество записей	За переделами ДИ, %
52	125	78	7	Survived	105	74.285714
50	94	77	7	Died	105	73.333333
57	201	86	8	Survived	120	71.666667
46	49	74	7	Survived	105	70.476190
44	8	73	7	Survived	105	69.523810
42	122	72	7	Died	105	68.571429
43	128	72	7	Died	105	68.571429
37	121	71	7	Survived	105	67.619048
55	79	81	8	Died	120	67.500000
35	6	70	7	Survived	105	66.666667
49	55	77	8	Survived	120	64.166667
45	208	73	8	Survived	120	60.833333
33	53	69	8	Survived	120	57.500000
14	41	60	7	Survived	105	57.142857
56	179	85	10	Survived	150	56.666667
48	200	76	9	Survived	135	56.296296
5	212	59	7	Survived	105	56.190476
26	116	67	8	Survived	120	55.833333
21	50	66	8	Survived	120	55.000000
47	108	74	9	Survived	135	54.814815
20	84	65	8	Survived	120	54.166667
19	89	65	8	Died	120	54.166667
18	37	65	8	Survived	120	54.166667
41	92	72	9	Died	135	53.333333
53	34	79	10	Survived	150	52.666667
17	40	62	8	Survived	120	51.666667
16	81	62	8	Survived	120	51.666667
8	103	60	8	Survived	120	50.000000
7	57	59	8	Survived	120	49.166667
6	39	59	8	Survived	120	49.166667
54	214	80	11	Survived	165	48.484848
29	58	68	10	Died	150	45.333333
24	19	67	10	Survived	150	44.666667
9	97	60	9	Survived	135	44.444444
40	205	71	12	Died	180	39.444444
13	71	60	11	Survived	165	36.363636
36	96	70	13	Died	195	35.897436
1	70	52	10	Survived	150	34.666667
23	65	67	13	Survived	195	34.358974
0	213	44	9	Survived	135	32.592593
34	68	70	15	Survived	225	31.111111
38	31	71	16	Survived	240	29.583333
39	64	71	17	Survived	255	27.843137
11	87	60	15	Survived	225	26.666667
32	95	68	17	Died	255	26.666667
3	32	58	15	Survived	225	25.777778
31	18	68	18	Survived	270	25.185185
25	74	67	18	Survived	270	24.814815
30	33	68	19	Survived	285	23.859649
27	59	67	21	Survived	315	21.269841
22	61	66	22	Survived	330	20.000000
2	3	56	19	Survived	285	19.649123
51	88	78	27	Survived	405	19.259259
10	90	60	25	Died	375	16.000000
15	86	62	30	Survived	450	13.777778
4	85	58	31	Survived	465	12.473118
12	60	60	42	Survived	630	9.523810
28	120	68	49	Survived	735	9.251701

print('Группа ГТ-')
b = b.rename(columns={'ID пациента':'ID'}).groupby('ID',as_index=False).sum().sort_values('Количество параметров за пределами 1.96std')[['ID','Количество параметров за пределами 1.96std']].merge(df.groupby('ID',as_index=False)[['Day','OUTCOME']].max(),on='ID',how='left')
b['Количество записей'] = 15 * b['Day']
b['За переделами ДИ, %'] = a['Количество параметров за пределами 1.96std'] * 100 / a['Количество записей']
b.sort_values('За переделами ДИ, %',ascending=False)

Группа ГТ-

	ID	Количество параметров за пределами 1.96std	Day	OUTCOME	Количество записей	За переделами ДИ, %
10	83	69	12	Survived	180	67.619048
5	99	62	8	Survived	120	65.714286
22	29	87	9	Survived	135	64.166667
19	45	79	8	Survived	120	61.666667
17	129	74	7	Died	105	60.833333
12	75	71	12	Survived	180	60.000000
13	62	72	35	Survived	525	60.000000
6	105	63	11	Survived	165	59.166667
9	115	68	7	Survived	105	59.166667
3	7	62	7	Survived	105	55.000000
7	98	65	8	Survived	120	52.592593
23	203	90	12	Survived	180	51.333333
11	51	70	8	Survived	120	43.030303
1	67	59	16	Survived	240	41.333333
0	119	57	10	Survived	150	39.259259
18	66	76	8	Died	120	32.444444
8	93	67	11	Died	165	31.555556
20	82	79	9	Survived	135	27.407407
4	46	62	8	Survived	120	23.859649
16	47	74	8	Survived	120	19.466667
15	211	73	11	Survived	165	16.222222
2	63	60	19	Survived	285	13.548387
14	72	73	12	Survived	180	11.587302
21	54	81	7	Survived	105	10.204082

b_non1 = results3_df.loc[(results3_df['Группа пациентов']=='Не получали ГТ')&(results3_df['День лечения']>1),:].sort_values('Количество параметров за пределами 1.96std',ascending=False).groupby(['ID пациента','День лечения'],as_index=False)['Количество параметров за пределами 1.96std'].sum()
b_non1 = b_non1.rename(columns={'ID пациента':'ID'}).groupby('ID',as_index=False).sum().sort_values('Количество параметров за пределами 1.96std')[['ID','Количество параметров за пределами 1.96std']].merge(df.groupby('ID',as_index=False)[['Day','OUTCOME']].max(),on='ID',how='left')
b_non1['Количество записей'] = 15 * b_non1['Day']
b_non1['За переделами ДИ, %'] = b_non1['Количество параметров за пределами 1.96std'] * 100 / b_non1['Количество записей']
print('Группа ГТ- (без данных за 1й день)')
b_non1.sort_values('За переделами ДИ, %',ascending=False)

Группа ГТ- (без данных за 1й день)

	ID	Количество параметров за пределами 1.96std	Day	OUTCOME	Количество записей	За переделами ДИ, %
20	54	69	7	Survived	105	65.714286
13	129	62	7	Died	105	59.047619
19	66	68	8	Died	120	56.666667
18	45	66	8	Survived	120	55.000000
22	29	74	9	Survived	135	54.814815
8	115	56	7	Survived	105	53.333333
21	82	71	9	Survived	135	52.592593
5	7	54	7	Survived	105	51.428571
12	47	61	8	Survived	120	50.833333
11	51	58	8	Survived	120	48.333333
7	99	55	8	Survived	120	45.833333
4	46	52	8	Survived	120	43.333333
23	203	77	12	Survived	180	42.777778
3	98	51	8	Survived	120	42.500000
17	211	64	11	Survived	165	38.787879
9	93	57	11	Died	165	34.545455
14	72	62	12	Survived	180	34.444444
15	75	62	12	Survived	180	34.444444
6	105	54	11	Survived	165	32.727273
10	83	57	12	Survived	180	31.666667
0	119	47	10	Survived	150	31.333333
1	67	47	16	Survived	240	19.583333
2	63	49	19	Survived	285	17.192982
16	62	63	35	Survived	525	12.000000

• анализируемые пациенты лечились не менее 7 дней; исследуются 15 параметров, значит, каждый из них имел как минимум 7*15 записей (=105).

patients = a[a['За переделами ДИ, %']>35]['ID'].unique()
df.loc[df.ID.isin(patients),['ID','OUTCOME']].groupby('ID').min().sort_values('OUTCOME').value_counts()

OUTCOME 
Survived    32
Died         9
dtype: int64

• 9 из 11 умерших пациентов, получавших ГТ, отклонялись на 1.96 и более сигм от среднего своей группы (т.е. группы, получавшей ГТ) по более чем 35% параметров; при этом мы проанализировали всего 14 умерших пациентов (остальные умерли ранее 7 дня или не получали ГТ); выживших в этом списке - 31 человек (всего - 47; см. подробный состав групп в начале).
• далее мы отдельно проанализируем и сравним этих 9 умерших и 31 выживших пациента

tab_list = [df.loc[(df.ID.isin(patients))&(df.OUTCOME=='Died'),:],df.loc[(df.ID.isin(patients))&(df.OUTCOME=='Survived'),:]]
tab_lists = ['Умерли, >35% значений выходят за рамки 1.96 std','Выжили, >35% значений выходят за рамки 1.96 std']
fig,axis = plt.subplots(15,2,figsize = (30,75))
for k,z in enumerate(params):
    if z!='КИ' and z!='Лактат':
        y_max = df_all[z].max()
        while y_max>(df_all[z].mean()*5):
            y_max = y_max/5
        y_min = df_all[z].min()
        while y_min<(df_all[z].mean()/5):
            y_min = (y_min+1)*5
    elif z=='КИ':
        y_max = 100
        y_min = 0
    elif z=='Лактат':
        y_max = 20
        y_min = 0
    for kk,i in enumerate(tab_list):
        sns.lineplot(x = tab_list[kk]['Day'], y = tab_list[kk][z],ax=axis[k,kk],).set_ylabel(None)
        axis[k,kk].set_title(f'{z}\n{tab_lists[kk]}')
        axis[k,kk].set_ylim(y_min,y_max)
plt.tight_layout()
plt.show()

tab_list = [df.loc[(df.ID.isin(patients))&(df.OUTCOME=='Died'),:],df.loc[(~df.ID.isin(patients))&(df.OUTCOME=='Died')&(df.GT==1),:]]
tab_lists = ['Умерли, >5% значений выходят за рамки 1.96 std','Умерли, <5% значений выходят за рамки 1.96 std']
fig,axis = plt.subplots(15,2,figsize = (30,75))
for k,z in enumerate(params):
    if z!='КИ' and z!='Лактат':
        y_max = df_all[z].max()
        while y_max>(df_all[z].mean()*5):
            y_max = y_max/5
        y_min = df_all[z].min()
        while y_min<(df_all[z].mean()/5):
            y_min = (y_min+1)*5
    elif z=='КИ':
        y_max = 100
        y_min = 0
    elif z=='Лактат':
        y_max = 20
        y_min = 0
    for kk,i in enumerate(tab_list):
        sns.lineplot(x = tab_list[kk]['Day'], y = tab_list[kk][z],ax=axis[k,kk],).set_ylabel(None)
        axis[k,kk].set_title(f'{z}\n{tab_lists[kk]}')
        axis[k,kk].set_ylim(y_min,y_max)
plt.tight_layout()
plt.show()

tab_list = [df.loc[(df.ID.isin(patients))&(df.OUTCOME=='Survived'),:],df.loc[(~df.ID.isin(patients))&(df.OUTCOME=='Survived')&(df.GT==1),:]]
tab_lists = ['Выжили, >5% значений выходят за рамки 1.96 std','Выжили, <5% значений выходят за рамки 1.96 std']
fig,axis = plt.subplots(15,2,figsize = (30,75))
for k,z in enumerate(params):
    if z!='КИ' and z!='Лактат':
        y_max = df_all[z].max()
        while y_max>(df_all[z].mean()*5):
            y_max = y_max/5
        y_min = df_all[z].min()
        while y_min<(df_all[z].mean()/5):
            y_min = (y_min+1)*5
    elif z=='КИ':
        y_max = 100
        y_min = 0
    elif z=='Лактат':
        y_max = 20
        y_min = 0
    for kk,i in enumerate(tab_list):
        sns.lineplot(x = tab_list[kk]['Day'], y = tab_list[kk][z],ax=axis[k,kk],).set_ylabel(None)
        axis[k,kk].set_title(f'{z}\n{tab_lists[kk]}')
        axis[k,kk].set_ylim(y_min,y_max)
plt.tight_layout()
plt.show()

# Умершие и получавшие ГТ, выходящие >35% раз за пределы 1.96 std
df.loc[(df.ID.isin(patients))&(df.OUTCOME=='Died'),params].describe().T

	count	mean	std	min	25%	50%	75%	max
АСТ	81.0	138.992593	230.256034	0.000000	38.000000	104.000000	120.500000	1678.400000
АЛТ	81.0	107.038272	164.535558	0.000000	42.800000	66.000000	112.000000	1293.200000
КИ	81.0	24.203704	44.244829	0.000000	4.000000	7.500000	20.000000	246.000000
АЧТВ	81.0	25.203704	22.245755	0.000000	0.000000	29.000000	38.000000	120.000000
Диурез, мл/кг	81.0	54.841746	37.424546	2.325581	31.000000	42.500000	70.930233	179.500000
Cl-	81.0	116.684667	15.616053	93.000000	108.744756	111.000000	124.000000	159.000000
САД	81.0	105.802469	26.448261	45.000000	89.000000	102.000000	120.000000	165.000000
ЧСС	81.0	106.716049	25.233031	41.000000	95.000000	105.000000	121.000000	186.000000
Лактат	81.0	1.553704	2.819195	0.000000	0.000000	0.000000	2.200000	13.000000
SpO2	81.0	96.469136	4.965094	69.000000	97.000000	98.000000	99.000000	100.000000
ДАД	81.0	59.543210	17.674169	17.000000	50.000000	60.000000	75.000000	99.000000
Инфузия, % от N	81.0	137.262723	49.689497	11.952941	107.954545	133.058824	167.058824	300.176471
СрАД	81.0	74.962963	20.015827	26.333333	60.000000	75.666667	90.000000	120.666667
ИА	81.0	1.071906	0.419976	0.512500	0.811966	1.000000	1.196078	3.100000
Амилаза	81.0	15.716049	65.716291	0.000000	0.000000	0.000000	0.000000	485.000000

# Умершие и получавшие ГТ, выходящие <35% раз за пределы 1.96 std
zz = df.loc[(~df.ID.isin(patients))&(df.OUTCOME=='Died')&(df.GT==1),'ID'].unique()
df.loc[df['ID'].isin(zz),params].describe().T

	count	mean	std	min	25%	50%	75%	max
АСТ	51.0	249.749020	359.553565	0.000000	135.750000	183.000000	241.000000	2458.300000
АЛТ	51.0	150.007843	396.617281	0.000000	37.000000	113.000000	113.000000	2865.000000
КИ	51.0	31.649020	134.363695	0.000000	5.000000	7.500000	12.500000	956.600000
АЧТВ	51.0	14.760784	41.795861	0.000000	0.000000	0.000000	0.000000	162.000000
Диурез, мл/кг	51.0	55.783472	32.164732	0.000000	38.666667	56.666667	72.166667	169.230769
Cl-	51.0	123.962745	20.895329	60.600000	107.000000	122.000000	139.000000	193.000000
САД	51.0	101.392157	18.328206	60.000000	90.000000	108.000000	115.000000	136.000000
ЧСС	51.0	97.156863	23.931045	50.000000	85.000000	98.000000	110.000000	160.000000
Лактат	51.0	3.309804	4.422850	0.000000	0.000000	2.200000	4.700000	20.000000
SpO2	51.0	97.196078	4.841568	70.000000	98.000000	98.000000	99.000000	100.000000
ДАД	51.0	58.294118	15.811760	30.000000	46.500000	58.000000	70.000000	93.000000
Инфузия, % от N	51.0	106.096787	36.034563	22.773279	81.849436	98.082192	124.295094	238.833333
СрАД	51.0	72.660131	15.457970	43.333333	60.166667	73.333333	85.000000	105.333333
ИА	51.0	0.981681	0.310853	0.464000	0.834250	0.939759	1.004505	2.285714
Амилаза	51.0	37.117647	155.360439	0.000000	0.000000	0.000000	0.000000	892.000000

# Выжившие и получавшие ГТ, выходящие >35% раз за пределы 1.96 std
df.loc[(df.ID.isin(patients))&(df.OUTCOME=='Survived'),params].describe().T

	count	mean	std	min	25%	50%	75%	max
АСТ	279.0	103.561470	191.853238	0.000000	30.775000	48.800000	93.150000	1958.500000
АЛТ	279.0	82.555018	166.169682	0.000000	18.000000	32.100000	77.500000	1885.200000
КИ	279.0	4.144301	8.788512	0.000000	0.000000	2.000000	5.000000	80.000000
АЧТВ	279.0	26.235484	13.969495	0.000000	25.550000	30.000000	33.600000	90.000000
Диурез, мл/кг	279.0	58.899759	36.560919	6.250000	31.000000	50.000000	85.147059	213.333333
Cl-	279.0	109.051594	7.113460	93.000000	104.000000	109.000000	113.000000	140.000000
САД	279.0	111.240143	14.905809	50.000000	100.000000	110.000000	120.000000	163.000000
ЧСС	279.0	103.917563	22.993517	60.000000	89.000000	102.000000	117.000000	173.000000
Лактат	279.0	1.344265	1.786531	0.000000	0.700000	1.200000	1.775000	25.000000
SpO2	279.0	98.025090	5.019682	26.000000	97.000000	99.000000	100.000000	110.000000
ДАД	279.0	64.792115	12.819155	20.000000	55.000000	65.000000	70.000000	100.000000
Инфузия, % от N	279.0	122.037904	40.138101	0.000000	95.163564	118.750000	140.501773	248.226950
СрАД	279.0	80.274791	12.665000	30.000000	72.666667	78.333333	88.333333	117.666667
ИА	279.0	0.959554	0.299938	0.461538	0.779661	0.916667	1.073684	2.800000
Амилаза	279.0	101.991900	136.836008	0.000000	0.000000	52.950000	140.600000	858.100000

# Выжившие и получавшие ГТ, выходящие <35% раз за пределы 1.96 std
zz = df.loc[(~df.ID.isin(patients))&(df.OUTCOME=='Survived')&(df.GT==1),'ID'].unique()
df.loc[df['ID'].isin(zz),params].describe().T

	count	mean	std	min	25%	50%	75%	max
АСТ	539.0	83.116883	171.055642	0.000000	30.900000	47.000000	71.450000	2130.600000
АЛТ	539.0	62.866030	103.634318	0.000000	24.800000	39.200000	62.000000	1260.700000
КИ	539.0	6.895195	16.636284	0.000000	0.000000	5.000000	7.000000	199.200000
АЧТВ	539.0	27.443321	14.223236	0.000000	25.000000	30.700000	35.000000	125.000000
Диурез, мл/кг	539.0	52.484779	35.346584	1.571429	29.427273	44.230769	65.557143	280.000000
Cl-	539.0	111.630740	11.806822	31.000000	104.000000	108.744756	115.500000	169.000000
САД	539.0	113.445269	13.522330	70.000000	105.000000	115.000000	120.000000	170.000000
ЧСС	539.0	107.597403	23.253318	24.000000	90.000000	110.000000	120.000000	180.000000
Лактат	539.0	1.479963	1.148871	-1.100000	0.900000	1.300000	2.000000	9.000000
SpO2	539.0	98.864564	1.836795	76.000000	98.000000	100.000000	100.000000	100.000000
ДАД	539.0	66.764378	11.686827	5.000000	60.000000	67.000000	75.000000	110.000000
Инфузия, % от N	539.0	128.060960	62.974068	14.166667	96.604167	118.333333	143.875000	647.916667
СрАД	539.0	82.324675	11.341655	40.000000	73.666667	83.333333	90.000000	116.666667
ИА	539.0	0.966743	0.267056	0.200000	0.781385	0.923077	1.097619	2.133333
Амилаза	539.0	140.336679	194.971722	0.000000	41.500000	82.000000	163.050000	1940.000000

• Выше проанализированны данные о пациентах за все дни;
• теперь же проведем анализ данных за первые 7 дней, как это было сделано выше, но с разделением на 4 группы: выжившие и умершие, получавшие и не получавшие ГТ

pd.options.display.max_rows = 350
params2 = df_all.columns[1:].drop(['OUTCOME','GT'])
results5 = []
df1 = df_all.loc[(df_all.ID.isin(patients))&(df_all.OUTCOME=='Survived')&(df.GT==1),params2] # выжили, имели >35% случаев отклонения более 1.96*std
df2 = df_all.loc[(df_all.ID.isin(patients))&(df_all.OUTCOME=='Died')&(df.GT==1),params2] # умерли, имели >35% случаев отклонения более 1.96*std
df3 = df_all.loc[(df_all.ID.isin(patients))&(df_all.OUTCOME=='Survived')&(df.GT==0),params2] # выжили, имели <35% случаев отклонения более 1.96*std
df4 = df_all.loc[(df_all.ID.isin(patients))&(df_all.OUTCOME=='Died')&(df.GT==0),params2] # умерли, имели <35% случаев отклонения более 2*std
for tab in [df1,df2,df3,df4]:
    for i in params:
            i_std_min = str(i+'_std_min')
            i_std_max = str(i+'_std_max')
            tab.loc[:,i_std_min] = tab[i].mean() - tab[i].std(ddof=1)*2 / np.sqrt(tab.shape[0])
            tab.loc[:,i_std_max] = tab[i].mean() + tab[i].std(ddof=1)*2 / np.sqrt(tab.shape[0])

for i in params2:
    results5.append([i,\
                   df1.loc[:,i].median(),df1.loc[:,i].quantile(0.25),df1.loc[:,i].quantile(0.75),\
                   df2.loc[:,i].median(),df2.loc[:,i].quantile(0.25),df2.loc[:,i].quantile(0.75),\
                   df3.loc[:,i].median(),df3.loc[:,i].quantile(0.25),df3.loc[:,i].quantile(0.75),\
                   df4.loc[:,i].median(),df4.loc[:,i].quantile(0.25),df4.loc[:,i].quantile(0.75)])
#             print('Разница не доказана:',p)
results5_df = pd.DataFrame(results5,columns=['Параметр','Медиана в группе выживших ГТ+ с отклонениями >35% (1)','25-квантиль в группе выживших с отклонениями >35% (1)','75-квантили в группе выживших с отклонениями >35% (1)',\
                                            'Медиана в группе умерших ГТ+ с отклонениями >35% (2)','25-квантиль в группе умерших с отклонениями >35% (2)','75-квантили в группе умерших с отклонениями >35% (2)',\
                                            'Медиана в группе выживших ГТ- с отклонениями >35% (3)','25-квантиль в группе выживших с отклонениями >35% (3)','75-квантили в группе выживших с отклонениями >35% (3)',\
                                            'Медиана в группе умерших ГТ- с отклонениями >35% (4)','25-квантиль в группе умерших с отклонениями >35% (4)','75-квантили в группе умерших с отклонениями >35% (4)'])
results5_df.groupby('Параметр',as_index=False).mean().sort_values('Параметр')

	Параметр	Медиана в группе выживших ГТ+ с отклонениями >35% (1)	25-квантиль в группе выживших с отклонениями >35% (1)	75-квантили в группе выживших с отклонениями >35% (1)	Медиана в группе умерших ГТ+ с отклонениями >35% (2)	25-квантиль в группе умерших с отклонениями >35% (2)	75-квантили в группе умерших с отклонениями >35% (2)	Медиана в группе выживших ГТ- с отклонениями >35% (3)	25-квантиль в группе выживших с отклонениями >35% (3)	75-квантили в группе выживших с отклонениями >35% (3)	Медиана в группе умерших ГТ- с отклонениями >35% (4)	25-квантиль в группе умерших с отклонениями >35% (4)	75-квантили в группе умерших с отклонениями >35% (4)
0	Cl-	109.250000	104.625000	115.000000	111.500000	107.872378	125.500000	108.000000	104.000000	113.000000	110.000000	107.875000	115.875000
1	Cl-_std_max	111.190536	111.190536	111.190536	122.951405	122.951405	122.951405	110.783806	110.783806	110.783806	114.373224	114.373224	114.373224
2	Cl-_std_min	108.624460	108.624460	108.624460	112.558272	112.558272	112.558272	107.611092	107.611092	107.611092	106.076776	106.076776	106.076776
3	Day	3.000000	2.000000	5.000000	3.000000	2.000000	5.500000	5.000000	3.000000	6.000000	5.000000	3.750000	6.000000
4	SpO2	99.000000	97.000000	100.000000	98.000000	97.000000	99.000000	99.000000	97.000000	100.000000	98.000000	98.000000	99.000000
5	SpO2_std_max	98.676056	98.676056	98.676056	98.182675	98.182675	98.182675	98.905699	98.905699	98.905699	98.882580	98.882580	98.882580
6	SpO2_std_min	96.149340	96.149340	96.149340	96.375464	96.375464	96.375464	98.033077	98.033077	98.033077	97.117420	97.117420	97.117420
7	АЛТ	56.850000	20.250000	129.875000	66.000000	42.800000	189.850000	27.100000	18.000000	44.937500	44.900000	37.625000	108.250000
8	АЛТ_std_max	166.050454	166.050454	166.050454	211.536627	211.536627	211.536627	68.466008	68.466008	68.466008	89.173500	89.173500	89.173500
9	АЛТ_std_min	84.197959	84.197959	84.197959	80.751745	80.751745	80.751745	38.919706	38.919706	38.919706	43.296500	43.296500	43.296500
10	АСТ	58.100000	35.900000	171.775000	111.000000	80.000000	163.850000	40.800000	30.012500	86.000000	104.000000	30.250000	110.000000
11	АСТ_std_max	204.152844	204.152844	204.152844	300.522963	300.522963	300.522963	77.716480	77.716480	77.716480	99.280709	99.280709	99.280709
12	АСТ_std_min	108.072552	108.072552	108.072552	120.193316	120.193316	120.193316	52.675357	52.675357	52.675357	50.519291	50.519291	50.519291
13	АЧТВ	29.200000	23.250000	33.000000	32.000000	0.000000	38.000000	30.000000	27.125000	34.225000	24.000000	0.000000	43.000000
14	АЧТВ_std_max	27.802407	27.802407	27.802407	35.716800	35.716800	35.716800	29.931855	29.931855	29.931855	27.378952	27.378952	27.378952
15	АЧТВ_std_min	22.338070	22.338070	22.338070	20.678549	20.678549	20.678549	24.307941	24.307941	24.307941	10.421048	10.421048	10.421048
16	Амилаза	52.700000	0.000000	146.100000	0.000000	0.000000	0.000000	47.850000	0.000000	122.600000	0.000000	0.000000	0.000000
17	Амилаза_std_max	137.858227	137.858227	137.858227	55.527734	55.527734	55.527734	102.140490	102.140490	102.140490	0.000000	0.000000	0.000000
18	Амилаза_std_min	81.598757	81.598757	81.598757	1.588545	1.588545	1.588545	59.824816	59.824816	59.824816	0.000000	0.000000	0.000000
19	Возраст	7.000000	3.000000	15.000000	5.000000	1.000000	5.500000	8.000000	3.250000	12.000000	13.000000	5.250000	14.000000
20	ДАД	60.000000	55.000000	70.000000	55.000000	45.000000	69.500000	65.000000	55.250000	70.000000	70.000000	60.000000	77.250000
21	ДАД_std_max	64.776769	64.776769	64.776769	60.554162	60.554162	60.554162	68.381583	68.381583	68.381583	76.664302	76.664302	76.664302
22	ДАД_std_min	60.096247	60.096247	60.096247	49.724907	49.724907	49.724907	63.230662	63.230662	63.230662	66.235698	66.235698	66.235698
23	Диурез, мл/кг	49.388889	33.323077	74.750000	50.000000	31.500000	83.166667	49.166667	30.714286	87.325000	42.500000	31.986842	68.313953
24	Диурез, мл/кг_std_max	64.985096	64.985096	64.985096	76.563606	76.563606	76.563606	67.682935	67.682935	67.682935	62.232870	62.232870	62.232870
25	Диурез, мл/кг_std_min	51.793901	51.793901	51.793901	49.517129	49.517129	49.517129	52.852218	52.852218	52.852218	38.272809	38.272809	38.272809
26	ИА	0.949138	0.804545	1.097727	1.097345	0.950495	1.343561	0.884620	0.730938	1.019565	0.834058	0.716717	0.970000
27	ИА_std_max	1.062755	1.062755	1.062755	1.369969	1.369969	1.369969	0.955339	0.955339	0.955339	0.952757	0.952757	0.952757
28	ИА_std_min	0.936115	0.936115	0.936115	1.076544	1.076544	1.076544	0.856081	0.856081	0.856081	0.773127	0.773127	0.773127
29	Инфузия, % от N	115.000000	84.760417	139.476629	138.823529	101.553030	175.764706	121.428571	98.640351	141.308027	133.746130	128.296246	149.583333
30	Инфузия, % от N_std_max	122.292214	122.292214	122.292214	161.930251	161.930251	161.930251	133.554005	133.554005	133.554005	148.153050	148.153050	148.153050
31	Инфузия, % от N_std_min	108.590233	108.590233	108.590233	127.175842	127.175842	127.175842	117.174376	117.174376	117.174376	129.109527	129.109527	129.109527
32	КИ	2.500000	0.000000	5.000000	7.500000	2.000000	20.000000	0.000000	0.000000	5.000000	4.500000	0.000000	5.000000
33	КИ_std_max	7.671621	7.671621	7.671621	40.391058	40.391058	40.391058	4.178785	4.178785	4.178785	17.892236	17.892236	17.892236
34	КИ_std_min	3.494411	3.494411	3.494411	8.725221	8.725221	8.725221	1.898766	1.898766	1.898766	1.057764	1.057764	1.057764
35	Лактат	1.200000	0.725000	1.700000	0.000000	0.000000	3.550000	1.100000	0.000000	1.687500	0.000000	0.000000	2.500000
36	Лактат_std_max	1.580760	1.580760	1.580760	3.272938	3.272938	3.272938	1.875177	1.875177	1.875177	1.980700	1.980700	1.980700
37	Лактат_std_min	1.145430	1.145430	1.145430	1.099155	1.099155	1.099155	0.813598	0.813598	0.813598	0.484300	0.484300	0.484300
38	Масса тела	29.000000	14.000000	60.000000	20.000000	12.000000	25.000000	30.000000	15.000000	50.000000	43.000000	19.000000	50.000000
39	Площадь тела	0.970000	0.610000	1.195000	1.210000	0.550000	1.330000	0.970000	0.670000	1.150000	1.210000	1.090000	1.330000
40	САД	110.000000	100.000000	116.000000	101.000000	82.500000	111.500000	112.500000	105.000000	120.000000	120.000000	100.000000	131.000000
41	САД_std_max	111.647786	111.647786	111.647786	104.948133	104.948133	104.948133	116.496457	116.496457	116.496457	131.415643	131.415643	131.415643
42	САД_std_min	106.018881	106.018881	106.018881	90.912333	90.912333	90.912333	110.707624	110.707624	110.707624	112.684357	112.684357	112.684357
43	СрАД	76.666667	70.250000	86.666667	70.000000	59.166667	80.833333	78.333333	73.333333	89.750000	88.666667	76.416667	100.000000
44	СрАД_std_max	80.267333	80.267333	80.267333	75.223156	75.223156	75.223156	84.233887	84.233887	84.233887	94.448069	94.448069	94.448069
45	СрАД_std_min	75.536900	75.536900	75.536900	63.583045	63.583045	63.583045	79.242303	79.242303	79.242303	82.185264	82.185264	82.185264
46	ЧСС	104.000000	89.250000	118.000000	110.000000	96.000000	130.000000	95.000000	88.250000	113.750000	101.000000	95.750000	113.500000
47	ЧСС_std_max	109.245396	109.245396	109.245396	121.750852	121.750852	121.750852	105.363789	105.363789	105.363789	109.682836	109.682836	109.682836
48	ЧСС_std_min	100.564128	100.564128	100.564128	104.807287	104.807287	104.807287	96.493354	96.493354	96.493354	95.717164	95.717164	95.717164

import warnings
warnings.filterwarnings("ignore")
for i in params:
    i_std_min = str(i+'_std_min')
    i_std_max = str(i+'_std_max')
    for ids in set(df_all.ID):
#             tab.loc[tab.ID==ids,i_std_min] = (tab[i].mean() + tab[i].std(ddof=1)*2 / np.sqrt(tab.shape[0])) - tab[tab.ID==ids][i].min()
#             tab.loc[tab.ID==ids,i_std_max] = tab[tab.ID==ids][i].max() - (tab[i].mean() - tab[i].std(ddof=1)*2 / np.sqrt(tab.shape[0]))
        df_all.loc[df_all.ID==ids,i_std_min] = ((df_all[i].mean() + df_all[i].std(ddof=1)*2 / np.sqrt(df_all.shape[0])) - (df_all[i].mean() - df_all[i].std(ddof=1)*1.96 / np.sqrt(df_all.shape[0]))) - df_all[df_all.ID==ids][i].min()
        df_all.loc[df_all.ID==ids,i_std_max] = ((df_all[i].mean() + df_all[i].std(ddof=1)*2 / np.sqrt(df_all.shape[0])) - (df_all[i].mean() - df_all[i].std(ddof=1)*1.96 / np.sqrt(df_all.shape[0]))) - df_all[df_all.ID==ids][i].max()

pd.options.display.max_rows = 350
params2 = df_all.columns[1:].drop(['OUTCOME','GT'])
results5 = []
df1 = df_all.loc[(df_all.ID.isin(patients))&(df_all.OUTCOME=='Survived')&(df.GT==1),params2] # выжили, имели >35% случаев отклонения более 1.96*std
df2 = df_all.loc[(df_all.ID.isin(patients))&(df_all.OUTCOME=='Died')&(df.GT==1),params2] # умерли, имели >35% случаев отклонения более 1.96*std
df3 = df_all.loc[(df_all.ID.isin(patients))&(df_all.OUTCOME=='Survived')&(df.GT==0),params2] # выжили, имели <35% случаев отклонения более 1.96*std
df4 = df_all.loc[(df_all.ID.isin(patients))&(df_all.OUTCOME=='Died')&(df.GT==0),params2] # умерли, имели <35% случаев отклонения более 2*std
for i in params2:
    stat, p = stats.kruskal(df1.loc[:,i],df2.loc[:,i],df3.loc[:,i],df4.loc[:,i])
#         print('*'*50)
#         print(i)
    results5.append([i,round(p,4),\
                   df1.loc[:,i].median(),df1.loc[:,i].quantile(0.25),df1.loc[:,i].quantile(0.75),\
                   df2.loc[:,i].median(),df2.loc[:,i].quantile(0.25),df2.loc[:,i].quantile(0.75),\
                   df3.loc[:,i].median(),df3.loc[:,i].quantile(0.25),df3.loc[:,i].quantile(0.75),\
                   df4.loc[:,i].median(),df4.loc[:,i].quantile(0.25),df4.loc[:,i].quantile(0.75)])
#             print('Разница не доказана:',p)
results5_df = pd.DataFrame(results5,columns=['Параметр','p-value','Медиана в группе выживших ГТ+ с отклонениями >35% (1)','25-квантиль в группе выживших с отклонениями >35% (1)','75-квантили в группе выживших с отклонениями >35% (1)',\
                                            'Медиана в группе умерших ГТ+ с отклонениями >35% (2)','25-квантиль в группе умерших с отклонениями >35% (2)','75-квантили в группе умерших с отклонениями >35% (2)',\
                                            'Медиана в группе выживших ГТ- с отклонениями >35% (3)','25-квантиль в группе выживших с отклонениями >35% (3)','75-квантили в группе выживших с отклонениями >35% (3)',\
                                            'Медиана в группе умерших ГТ- с отклонениями >35% (4)','25-квантиль в группе умерших с отклонениями >35% (4)','75-квантили в группе умерших с отклонениями >35% (4)'])
results5_df.groupby('Параметр',as_index=False).mean().sort_values('p-value')

	Параметр	p-value	Медиана в группе выживших ГТ+ с отклонениями >35% (1)	25-квантиль в группе выживших с отклонениями >35% (1)	75-квантили в группе выживших с отклонениями >35% (1)	Медиана в группе умерших ГТ+ с отклонениями >35% (2)	25-квантиль в группе умерших с отклонениями >35% (2)	75-квантили в группе умерших с отклонениями >35% (2)	Медиана в группе выживших ГТ- с отклонениями >35% (3)	25-квантиль в группе выживших с отклонениями >35% (3)	75-квантили в группе выживших с отклонениями >35% (3)	Медиана в группе умерших ГТ- с отклонениями >35% (4)	25-квантиль в группе умерших с отклонениями >35% (4)	75-квантили в группе умерших с отклонениями >35% (4)
26	ИА	0.0000	0.949138	0.804545	1.097727	1.097345	0.950495	1.343561	0.884620	0.730938	1.019565	0.834058	0.716717	0.970000
17	Амилаза_std_max	0.0000	-61.046514	-268.046514	28.353486	35.653486	35.653486	35.653486	-40.446514	-109.546514	35.653486	35.653486	35.653486	35.653486
16	Амилаза	0.0000	52.700000	0.000000	146.100000	0.000000	0.000000	0.000000	47.850000	0.000000	122.600000	0.000000	0.000000	0.000000
15	АЧТВ_std_min	0.0000	-23.364082	-26.364082	-2.614082	-26.364082	-29.364082	2.635918	-25.164082	-26.764082	-21.764082	2.635918	-25.364082	2.635918
30	Инфузия, % от N_std_max	0.0000	-136.728596	-163.259693	-117.608536	-189.798041	-241.395263	-153.270263	-145.987462	-179.349808	-125.038723	-153.270263	-177.332763	-136.191445
44	СрАД_std_max	0.0000	-86.440336	-94.440336	-79.857003	-87.773669	-91.440336	-71.107003	-87.773669	-97.773669	-81.773669	-97.773669	-97.773669	-96.940336
12	АСТ_std_min	0.0000	3.186716	-11.413284	14.686716	-51.213284	-71.413284	1.586716	9.786716	-8.413284	16.486716	-57.813284	-64.413284	14.586716
22	ДАД_std_min	0.0000	-47.811789	-57.811789	-42.811789	-27.811789	-41.811789	-17.811789	-50.311789	-57.811789	-46.311789	-57.811789	-67.811789	-49.811789
10	АСТ	0.0000	58.100000	35.900000	171.775000	111.000000	80.000000	163.850000	40.800000	30.012500	86.000000	104.000000	30.250000	110.000000
9	АЛТ_std_min	0.0000	0.805402	-36.694598	14.505402	-11.294598	-34.494598	-6.494598	12.205402	-4.532098	20.505402	-11.294598	-45.494598	-0.494598
32	КИ	0.0000	2.500000	0.000000	5.000000	7.500000	2.000000	20.000000	0.000000	0.000000	5.000000	4.500000	0.000000	5.000000
7	АЛТ	0.0000	56.850000	20.250000	129.875000	66.000000	42.800000	189.850000	27.100000	18.000000	44.937500	44.900000	37.625000	108.250000
33	КИ_std_max	0.0000	-1.407536	-6.307536	3.592464	-4.407536	-26.407536	-3.907536	3.592464	-3.907536	3.592464	-3.907536	-12.407536	-1.407536
5	SpO2_std_max	0.0000	-99.358904	-99.358904	-98.358904	-98.358904	-98.358904	-98.358904	-99.358904	-99.358904	-98.358904	-98.358904	-98.358904	-98.358904
45	СрАД_std_min	0.0000	-66.107003	-72.440336	-56.773669	-41.107003	-58.440336	-31.107003	-67.773669	-73.107003	-61.023669	-71.107003	-79.273669	-64.440336
47	ЧСС_std_max	0.0000	-121.116281	-135.616281	-106.116281	-126.116281	-171.116281	-126.116281	-116.116281	-136.116281	-106.116281	-122.116281	-126.116281	-120.116281
42	САД_std_min	0.0000	-96.291651	-102.291651	-87.291651	-67.291651	-91.291651	-57.291651	-97.291651	-104.541651	-87.291651	-97.291651	-101.791651	-87.291651
39	Площадь тела	0.0000	0.970000	0.610000	1.195000	1.210000	0.550000	1.330000	0.970000	0.670000	1.150000	1.210000	1.090000	1.330000
18	Амилаза_std_min	0.0000	14.253486	-20.246514	35.653486	35.653486	35.653486	35.653486	13.353486	-13.546514	35.653486	35.653486	35.653486	35.653486
40	САД	0.0000	110.000000	100.000000	116.000000	101.000000	82.500000	111.500000	112.500000	105.000000	120.000000	120.000000	100.000000	131.000000
41	САД_std_max	0.0001	-117.291651	-127.291651	-112.291651	-113.291651	-119.291651	-97.291651	-117.291651	-137.291651	-112.291651	-127.291651	-131.291651	-117.291651
11	АСТ_std_max	0.0001	-140.413284	-438.913284	-11.313284	-71.413284	-608.413284	-56.413284	-30.613284	-142.713284	-9.313284	-70.413284	-118.413284	-11.413284
43	СрАД	0.0001	76.666667	70.250000	86.666667	70.000000	59.166667	80.833333	78.333333	73.333333	89.750000	88.666667	76.416667	100.000000
3	Day	0.0002	3.000000	2.000000	5.000000	3.000000	2.000000	5.500000	5.000000	3.000000	6.000000	5.000000	3.750000	6.000000
28	ИА_std_min	0.0002	-0.720469	-0.777741	-0.614408	-0.731323	-1.024664	-0.678511	-0.626313	-0.786327	-0.573828	-0.641038	-0.731323	-0.626002
27	ИА_std_max	0.0003	-1.155288	-1.399761	-1.005434	-1.224337	-2.447741	-1.143820	-1.138217	-1.276313	-0.865443	-0.972132	-1.325519	-0.947741
31	Инфузия, % от N_std_min	0.0004	-72.442500	-86.093623	-51.722267	-85.978596	-96.903841	-70.874430	-79.817249	-101.508279	-65.858733	-92.956473	-113.322346	-81.392683
20	ДАД	0.0004	60.000000	55.000000	70.000000	55.000000	45.000000	69.500000	65.000000	55.250000	70.000000	70.000000	60.000000	77.250000
8	АЛТ_std_max	0.0006	-91.644598	-246.494598	6.505402	-83.494598	-406.494598	-16.494598	-9.794598	-68.594598	6.305402	-128.494598	-133.244598	-11.294598
19	Возраст	0.0007	7.000000	3.000000	15.000000	5.000000	1.000000	5.500000	8.000000	3.250000	12.000000	13.000000	5.250000	14.000000
21	ДАД_std_max	0.0008	-72.811789	-82.811789	-63.561789	-74.811789	-80.811789	-57.811789	-74.311789	-82.811789	-65.811789	-84.311789	-87.811789	-80.061789
48	ЧСС_std_min	0.0019	-81.116281	-90.866281	-69.116281	-70.116281	-84.116281	-66.116281	-72.116281	-88.116281	-63.116281	-74.116281	-92.116281	-73.116281
29	Инфузия, % от N	0.0022	115.000000	84.760417	139.476629	138.823529	101.553030	175.764706	121.428571	98.640351	141.308027	133.746130	128.296246	149.583333
6	SpO2_std_min	0.0022	-96.358904	-97.358904	-93.358904	-91.358904	-97.358904	-87.358904	-96.358904	-97.358904	-95.358904	-94.358904	-97.358904	-89.358904
14	АЧТВ_std_max	0.0040	-32.364082	-37.364082	-23.364082	-40.364082	-77.364082	2.635918	-33.214082	-37.364082	-28.289082	-21.364082	-40.364082	2.635918
2	Cl-_std_min	0.0074	-101.894178	-105.894178	-97.894178	-106.638934	-110.894178	-97.894178	-100.294178	-102.894178	-97.894178	-102.266556	-106.638934	-95.394178
34	КИ_std_min	0.0087	3.592464	-1.407536	3.592464	-0.407536	-4.407536	3.592464	3.592464	2.192464	3.592464	-0.407536	-1.407536	3.592464
38	Масса тела	0.0090	29.000000	14.000000	60.000000	20.000000	12.000000	25.000000	30.000000	15.000000	50.000000	43.000000	19.000000	50.000000
1	Cl-_std_max	0.0143	-113.894178	-120.394178	-107.894178	-120.894178	-148.894178	-111.894178	-113.194178	-122.894178	-106.894178	-107.894178	-114.894178	-106.644178
37	Лактат_std_min	0.0183	-0.503136	-0.903136	-0.303136	0.296864	-0.803136	0.296864	-0.503136	-0.603136	0.296864	0.296864	-0.803136	0.296864
46	ЧСС	0.0531	104.000000	89.250000	118.000000	110.000000	96.000000	130.000000	95.000000	88.250000	113.750000	101.000000	95.750000	113.500000
4	SpO2	0.0642	99.000000	97.000000	100.000000	98.000000	97.000000	99.000000	99.000000	97.000000	100.000000	98.000000	98.000000	99.000000
0	Cl-	0.0987	109.250000	104.625000	115.000000	111.500000	107.872378	125.500000	108.000000	104.000000	113.000000	110.000000	107.875000	115.875000
13	АЧТВ	0.1368	29.200000	23.250000	33.000000	32.000000	0.000000	38.000000	30.000000	27.125000	34.225000	24.000000	0.000000	43.000000
24	Диурез, мл/кг_std_max	0.1599	-69.280680	-116.058458	-52.075552	-121.114014	-160.280680	-50.280680	-89.480680	-126.947347	-58.149728	-104.140330	-134.311688	-76.614014
36	Лактат_std_max	0.2557	-1.853136	-2.703136	-1.403136	0.296864	-3.803136	0.296864	-2.003136	-2.778136	0.296864	0.296864	-2.603136	0.296864
35	Лактат	0.3270	1.200000	0.725000	1.700000	0.000000	0.000000	3.550000	1.100000	0.000000	1.687500	0.000000	0.000000	2.500000
25	Диурез, мл/кг_std_min	0.3958	-16.947347	-31.489014	-6.836236	-20.014014	-34.614014	-6.114014	-22.114014	-43.614014	-8.078300	-22.561382	-27.185005	-13.114014
23	Диурез, мл/кг	0.8019	49.388889	33.323077	74.750000	50.000000	31.500000	83.166667	49.166667	30.714286	87.325000	42.500000	31.986842	68.313953

Как видно, при различных принципах формирования выборок для сравнения, убедительных данных о значимом различии выборок между собой по принципу использования ГТ не наблюдается.
Далее мы попытаемся оценить различия между группами пациентов в случаях однократного (в первый день) и многократного (больше одного дня, а также однократного после 1го дня) использования ГТ.

---

Анализ продолжительности использования ГТ

• данный анализ проведен в несколько (5) этапов

Этап 1

Пациенты делятся на 2 группы:

1. Получает гормонотерапию в первый день
2. Не получает гормонотерапию в первый день.

Ограничения: решение о назначении гормонотерапии (ГТ) определялось исходя из наличия показаний.

Нулевая гипотеза: разницы между группами нет.

Просмотр первых 5 записей

# 1й день - день поступления пациента
df_1 = df[df['Day']==1].copy()
df_1.head()

	ID	Day	Возраст	GT	САД	ДАД	СрАД	ЧСС	ИА	SpO2	...	Лактат	Амилаза	АЛТ	АСТ	АЧТВ	Инфузия, % от N	КИ	Площадь тела	Диурез, мл/кг	OUTCOME
0	1	1	6.00	0.0	100.0	65.0	76.666667	108.0	1.080000	100.0	...	0.0	94.2	50.2	86.0	23.6	130.487805	0.0	0.7300	43.500000	Survived
6	2	1	0.42	0.0	100.0	66.0	77.333333	115.0	1.150000	100.0	...	0.0	18.3	31.3	46.0	31.5	124.255952	5.0	0.2908	23.571429	Survived
12	3	1	13.00	1.0	120.0	80.0	93.333333	80.0	0.666667	100.0	...	0.0	38.8	40.8	90.3	26.0	73.750000	0.0	1.1500	50.909091	Survived
31	4	1	8.00	0.0	110.0	65.0	80.000000	124.0	1.127273	100.0	...	0.0	15.3	11.2	35.3	29.1	294.736842	5.0	0.8500	25.666667	Survived
36	5	1	11.00	1.0	115.0	75.0	88.333333	110.0	0.956522	98.0	...	0.0	65.6	27.4	52.5	26.9	36.666667	0.0	1.0300	29.400000	Survived

5 rows × 22 columns

Описательная статистика: группа 1

# Пациенты, которые получали ГТ имеют параметр GT=1
df_1_1 = df_1[df_1['GT']==1].loc[:,target_columns]
df_1_1.describe().T

	count	mean	std	min	25%	50%	75%	max
ID	88.0	106.375000	64.528228	3.000000	47.750000	99.500000	162.250000	215.000000
Day	88.0	1.000000	0.000000	1.000000	1.000000	1.000000	1.000000	1.000000
Возраст	88.0	8.797348	5.160294	0.250000	4.000000	8.500000	13.000000	17.000000
GT	88.0	1.000000	0.000000	1.000000	1.000000	1.000000	1.000000	1.000000
САД	88.0	104.795455	21.548213	45.000000	90.000000	106.500000	118.500000	155.000000
ДАД	88.0	60.034091	15.818256	17.000000	50.000000	60.500000	70.000000	100.000000
СрАД	88.0	74.954545	16.927098	26.333333	66.666667	77.666667	85.666667	113.333333
ЧСС	88.0	111.465909	24.578726	54.000000	96.000000	112.500000	122.000000	172.000000
ИА	88.0	1.128057	0.422854	0.412903	0.855820	1.078499	1.273694	2.800000
SpO2	88.0	97.272727	8.681765	26.000000	98.000000	99.000000	100.000000	100.000000
Масса тела	88.0	36.119318	22.140875	6.000000	18.000000	30.000000	51.250000	100.000000
Cl-	88.0	108.195129	11.914103	31.000000	104.750000	108.000000	110.250000	158.000000
Лактат	88.0	1.955682	2.824599	0.000000	0.000000	1.250000	2.800000	17.000000
Амилаза	88.0	34.459091	66.605895	0.000000	0.000000	0.000000	43.975000	329.200000
АЛТ	88.0	144.100000	397.108247	0.000000	15.650000	31.650000	95.325000	2865.000000
АСТ	88.0	208.950000	428.146292	0.000000	27.875000	58.200000	162.650000	2458.300000
АЧТВ	88.0	16.502273	19.595425	0.000000	0.000000	0.000000	30.000000	90.000000
Инфузия, % от N	88.0	96.841263	67.828810	0.000000	54.614504	79.737634	116.593750	353.009259
КИ	88.0	19.281364	106.323936	0.000000	0.000000	0.000000	5.000000	956.600000
Площадь тела	88.0	0.943977	0.310832	0.250000	0.610000	1.030000	1.210000	1.450000
Диурез, мл/кг	88.0	41.803068	32.895691	0.000000	13.722222	33.458333	63.072082	179.166667

Описательная статистика: группа 2

# Пациенты, которые не получали ГТ имеют параметр GT=0
df_1_0 = df_1[df_1['GT']==0].loc[:,target_columns]
df_1_0.describe().T

	count	mean	std	min	25%	50%	75%	max
ID	115.0	102.408696	59.924499	1.000000	53.000000	102.000000	150.000000	216.000000
Day	115.0	1.000000	0.000000	1.000000	1.000000	1.000000	1.000000	1.000000
Возраст	115.0	9.192725	5.549760	0.250000	4.000000	9.000000	14.500000	18.000000
GT	115.0	0.000000	0.000000	0.000000	0.000000	0.000000	0.000000	0.000000
САД	115.0	106.460870	17.396454	70.000000	92.500000	110.000000	120.000000	159.000000
ДАД	115.0	63.678261	13.223814	30.000000	55.500000	60.000000	70.000000	119.000000
СрАД	115.0	77.939130	13.730104	43.333333	68.833333	77.333333	86.333333	117.333333
ЧСС	115.0	109.913043	22.587671	40.000000	92.000000	110.000000	125.000000	165.000000
ИА	115.0	1.069361	0.327999	0.407692	0.825121	1.000000	1.211702	2.133333
SpO2	115.0	98.252174	3.942222	70.000000	98.000000	100.000000	100.000000	100.000000
Масса тела	115.0	35.856522	21.586197	6.000000	16.000000	30.000000	50.000000	103.000000
Cl-	115.0	109.759751	9.118439	97.000000	104.000000	108.744756	113.000000	148.000000
Лактат	115.0	1.716522	3.064652	0.000000	0.000000	1.000000	2.500000	25.000000
Амилаза	115.0	35.780870	61.518358	0.000000	0.000000	15.300000	50.850000	533.500000
АЛТ	115.0	122.497826	236.534967	0.000000	12.600000	36.000000	97.250000	1260.700000
АСТ	115.0	172.971043	358.602569	0.000000	0.000000	53.100000	140.700000	2242.000000
АЧТВ	115.0	17.027826	16.857767	0.000000	0.000000	23.500000	31.000000	58.000000
Инфузия, % от N	115.0	95.429568	63.586685	0.000000	56.039136	79.166667	122.143500	295.701754
КИ	115.0	6.584783	32.661305	0.000000	0.000000	0.000000	1.250000	320.000000
Площадь тела	115.0	0.883384	0.334534	0.250000	0.610000	0.850000	1.210000	1.390000
Диурез, мл/кг	115.0	39.011873	34.131423	0.000000	15.250000	30.303030	54.916667	205.384615

# сравнение средних
a = pd.DataFrame(df_1_1[target_columns[2:-1]].mean()).rename(columns = {0:'Группа 1: получает ГТ'})
a_ = []
for i in target_columns[2:-1]:    
          a_.append(df_1_0[df_1_0[i]>0][i].mean())
a['Группа 2: не получает ГТ'] = a_
a.fillna(0)

	Группа 1: получает ГТ	Группа 2: не получает ГТ
Возраст	8.797348	9.192725
GT	1.000000	0.000000
САД	104.795455	106.460870
ДАД	60.034091	63.678261
СрАД	74.954545	77.939130
ЧСС	111.465909	109.913043
ИА	1.128057	1.069361
SpO2	97.272727	98.252174
Масса тела	36.119318	35.856522
Cl-	108.195129	109.759751
Лактат	1.955682	2.902941
Амилаза	34.459091	66.367742
АЛТ	144.100000	156.525000
АСТ	208.950000	234.019647
АЧТВ	16.502273	32.101639
Инфузия, % от N	96.841263	100.682572
КИ	19.281364	26.112069
Площадь тела	0.943977	0.883384
Диурез, мл/кг	41.803068	41.928649

При простом сравнении средних значений видны не самые сильные различия, которые можно было бы ожидать: в группе, получавшей ГТ чуть меньше АД, чуть выше ЧСС и индекс Альговера, ниже уровень ионов хлора, АЛТ, АСТ, АЧТВ, объем назначенной инфузии и катехоламинов.
Видно, что среднее знаений параметров в двух группах очень близки друг к другу; однако наличие или отсутствие разницы между группами нужно доказать

# Размер выборки
print(f'Количество пациентов в группах:\nПервая группа\t{df_1_1.ID.nunique()}\nВторая группа\t{df_1_0.ID.nunique()}')

Количество пациентов в группах:
Первая группа	88
Вторая группа	115

sns.barplot(data = [[0],[df_1_1.ID.nunique()],[df_1_0.ID.nunique()]])
plt.xlim(0.5)
plt.title('Размер групп');

Гистограммы значений параметров.

Гистограммы построены для того, чтобы визуально оценить нормальность распределения признаков: видно, что только в случае среднего артериального давления в группе без ГТ можно наблюдать близкое к нормальному распределение. Поэтому дальше мы будем использовать непараметрический тест Краскела-Уоллиса для независимых выборок разного размера.
На этих гистограммах также более удобно оценить медиану (изучается в тесте Краскела-Уоллиса) каждого параметра.

figure,ax = plt.subplots(len(target_columns[4:-1]),2,figsize=(14,60))
sns.set(style='whitegrid', rc={"grid.linewidth": 0.1})
sns.set_context("paper", font_scale=1.8)
for k,i in enumerate(target_columns[4:-1]):
    sns.histplot(df_1[df_1['GT']==0][i],bins=10,ax=ax[k,0])
    sns.histplot(df_1[df_1['GT']==1][i],bins=10,ax=ax[k,1])
    ax[k,0].set_title(i+' (без гормонотерапии)')
    ax[k,1].set_title(i+' (с гормонотерапией)')
    ax[k,0].set(ylabel='Количество')
    ax[k,1].set(ylabel='Количество')
plt.tight_layout()

• На графиках четко видна асимметричность распределения величин в двух выборках, 2 и более пика или резкое преобладание одного значения параметра над другими. Только два параметра (среднее АД и диастолическое АД) в группе пациентов, не получавшей ГТ, имеет близкое к нормальному распределение.
• т.к. графики далеки от нормального распределения, проверка на значимость различий выполнена с использованием критерия Краскела-Уоллиса (реализация критерия в sklearn позволяет анализировать от 2х групп)

columns = ['Вариант','Показатель','Значимость различий','p_value','alpha']
append_list = []
for k,i in enumerate(target_columns[4:-1]):
    group0 = df_1[df_1['GT']==0][i]
    group1 = df_1[df_1['GT']==1][i]
    alpha = 0.05
    test_value, p  = stats.kruskal(group0,group1)
    if alpha<p:
        append_list.append(['Этап 1',i,'значимость различия не доказана',p,alpha,df_1[df_1['GT']==0][i].median(),df_1[df_1['GT']==0][i].quantile(0.25),df_1[df_1['GT']==0][i].quantile(0.75),\
                           df_1[df_1['GT']==1][i].median(),df_1[df_1['GT']==1][i].quantile(0.25),df_1[df_1['GT']==1][i].quantile(0.75)])
    else:
        append_list.append(['Этап 1',i,'обнаружены значимые различия',p,alpha,df_1[df_1['GT']==0][i].median(),df_1[df_1['GT']==0][i].quantile(0.25),df_1[df_1['GT']==0][i].quantile(0.75),\
                           df_1[df_1['GT']==1][i].median(),df_1[df_1['GT']==1][i].quantile(0.25),df_1[df_1['GT']==1][i].quantile(0.75)])

На основе проведенного теста (результаты приведены в сводной таблице ниже) можно сделать вывод, что различий между двумя группами пациентов по исследуемым параметрам не наблюдается; это подтверждается графически и с помощью теста Краскела-Уоллиса.

• Исходя из этого, можно предположить 2 варианта:
  • подобранная терапия обеспечивает относительную стабилизацию состояния уже в первые сутки: группы пациентов, нуждающиеся в ГТ и не нуждающиеся в ней, имеют сходные гемодинамические и биохимические показатели;
  • ГТ фактически никак не влияет на гемодинамические и биохимические показатели, а между группами пациентов просто нет существенной разницы; это предположение, вероятно, следует отклонить, т.к. гемодинамические эффекты глюкокортикоидов достаточно хорошо изучены.

Этап 2

Пациенты делятся на 2 группы:

1. Получает гормонотерапию только в первый день.
2. Получает гормонотерапию в первый И последующие дни.

Нулевая гипотеза: разницы между группами нет.

# Составление списков пациентов получавших ГТ более 1 дня и только один (первый) день
# выбираем из датасета df  Day>1, GT = 1 и только тех пациентов, которые находятся в списке df_1_gt_1 (получали ГТ в первый день)
df_1_gt_1 = df.loc[(df.GT==1) & (df.Day==1),'ID'].unique()
a = df.loc[(df['Day']>1)&(df['ID'].isin(df_1_gt_1)),:].groupby('ID', as_index=False).max()
df_gt_more1day = df.loc[df.ID.isin(a.loc[a.GT==1,'ID']),:]
print(f'{df_gt_more1day["ID"].nunique()} получали ГТ более 1 дня.')
# есть данные и за 1 и за остальные дни; но в первый день они получали ГТ, а в др.дни - не получали
df_gt_only1day = df.loc[df.ID.isin(a.loc[a.GT==0,'ID']),:]
print(f'{df_gt_only1day["ID"].nunique()} получали ГТ только в 1й день')

67 получали ГТ более 1 дня.
12 получали ГТ только в 1й день

# не было ни одного пациента, который бы получал ГТ и находился в ОРИТ только 1 день
df.loc[(df['Day'].max()==1)&(df['ID'].isin(df_1_gt_1)),:].groupby('ID', as_index=False).max().shape[0]

0

# Размер выборки
print(f'Количество пациентов в группах:\nПервая группа\t{df_gt_only1day.ID.nunique()}\nВторая группа\t{df_gt_more1day.ID.nunique()}')

Количество пациентов в группах:
Первая группа	12
Вторая группа	67

sns.barplot(data = [[0],[df_gt_only1day["ID"].nunique()],[df_gt_more1day["ID"].nunique()]])
plt.xlim(0.5)
plt.title('Размер групп');

Описательная статистика: 1 группа

# Описательная статистика пациентов, которые получали ГТ только в 1й день
df_gt_only1day[target_columns[2:]].describe().T

	count	mean	std	min	25%	50%	75%	max
Возраст	62.0	7.338710	3.922167	3.000000	4.000000	6.125000	11.750000	15.000000
GT	62.0	0.193548	0.398304	0.000000	0.000000	0.000000	0.000000	1.000000
САД	62.0	110.774194	13.216258	80.000000	102.750000	113.500000	118.750000	150.000000
ДАД	62.0	63.887097	12.420376	35.000000	55.000000	63.000000	70.000000	100.000000
СрАД	62.0	79.516129	11.562561	50.000000	73.083333	77.500000	85.750000	116.666667
ЧСС	62.0	101.145161	19.627554	60.000000	89.000000	98.500000	118.250000	165.000000
ИА	62.0	0.933377	0.257408	0.500000	0.780200	0.865385	1.065152	2.062500
SpO2	62.0	98.774194	2.321809	90.000000	98.000000	99.000000	100.000000	110.000000
Масса тела	62.0	32.741935	22.338627	12.000000	15.000000	21.500000	57.500000	70.000000
Cl-	62.0	107.988371	6.955691	99.400000	102.300000	108.000000	110.750000	129.000000
Лактат	62.0	0.732258	1.322538	0.000000	0.000000	0.000000	1.300000	7.400000
Амилаза	62.0	43.848387	48.114034	0.000000	0.000000	33.000000	64.475000	186.000000
АЛТ	62.0	59.146774	69.878751	5.700000	18.975000	27.200000	74.900000	370.300000
АСТ	62.0	81.050000	87.296940	16.800000	38.000000	52.500000	98.300000	604.200000
АЧТВ	62.0	27.727419	12.050977	0.000000	26.962500	29.200000	33.675000	45.100000
Инфузия, % от N	62.0	106.657416	41.176714	16.607595	82.251450	107.430341	131.557349	205.625000
КИ	62.0	2.338710	6.121565	0.000000	0.000000	0.000000	4.375000	40.000000
Площадь тела	62.0	1.062903	0.245993	0.550000	0.910000	1.090000	1.255000	1.390000
Диурез, мл/кг	62.0	58.592842	37.278234	5.000000	29.060526	51.416667	83.333333	179.166667

Описательная статистика: 2 группа

# Описательная статистика пациентов, которые получали ГТ в 1й и любой (любые) последующие дни
df_gt_more1day[target_columns[2:]].describe().T

	count	mean	std	min	25%	50%	75%	max
Возраст	548.0	10.438564	5.361711	0.250000	5.000000	12.000000	16.000000	17.000000
GT	548.0	0.653285	0.476359	0.000000	0.000000	1.000000	1.000000	1.000000
САД	548.0	112.124088	17.412910	45.000000	104.000000	112.500000	120.000000	165.000000
ДАД	548.0	65.399635	13.792632	5.000000	60.000000	65.000000	75.000000	100.000000
СрАД	548.0	80.974453	14.174995	26.333333	73.333333	81.666667	90.083333	120.666667
ЧСС	548.0	105.155109	23.767145	41.000000	88.750000	105.000000	120.000000	186.000000
ИА	548.0	0.966663	0.312359	0.412903	0.775182	0.909091	1.090909	3.100000
SpO2	548.0	98.155109	4.290591	26.000000	98.000000	99.000000	100.000000	100.000000
Масса тела	548.0	42.937956	22.495475	6.000000	20.000000	45.000000	60.000000	100.000000
Cl-	548.0	110.713831	12.268808	31.000000	104.000000	108.744756	114.000000	193.000000
Лактат	548.0	1.680292	2.082401	0.000000	0.000000	1.300000	2.100000	20.000000
Амилаза	548.0	129.325255	212.679433	0.000000	0.000000	49.300000	172.025000	1940.000000
АЛТ	548.0	88.304927	193.484734	0.000000	23.437500	42.800000	78.750000	2865.000000
АСТ	548.0	121.884215	234.818416	0.000000	34.975000	55.500000	116.000000	2458.300000
АЧТВ	548.0	23.420712	17.319862	0.000000	0.000000	27.800000	34.050000	120.000000
Инфузия, % от N	548.0	120.204809	51.909820	0.000000	89.583333	112.729691	138.134470	552.083333
КИ	548.0	9.804051	25.599881	0.000000	0.000000	4.500000	7.500000	246.000000
Площадь тела	548.0	1.013130	0.314869	0.250000	0.790000	1.090000	1.270000	1.450000
Диурез, мл/кг	548.0	47.774219	28.806952	1.571429	28.000000	42.500000	58.150106	179.500000

# сравнение средних
a = pd.DataFrame(df_gt_more1day[target_columns[2:-1]].mean()).rename(columns = {0:'ГТ\: 1 и последующие дни'})
a_ = []
for i in target_columns[2:-1]:    
          a_.append(df_gt_only1day[df_gt_only1day[i]>0][i].mean())
a['ГТ: только 1й день'] = a_
a

	ГТ\: 1 и последующие дни	ГТ: только 1й день
Возраст	10.438564	7.338710
GT	0.653285	1.000000
САД	112.124088	110.774194
ДАД	65.399635	63.887097
СрАД	80.974453	79.516129
ЧСС	105.155109	101.145161
ИА	0.966663	0.933377
SpO2	98.155109	98.774194
Масса тела	42.937956	32.741935
Cl-	110.713831	107.988371
Лактат	1.680292	2.063636
Амилаза	129.325255	66.307317
АЛТ	88.304927	59.146774
АСТ	121.884215	81.050000
АЧТВ	23.420712	31.835185
Инфузия, % от N	120.204809	106.657416
КИ	9.804051	7.631579
Площадь тела	1.013130	1.062903
Диурез, мл/кг	47.774219	58.592842

Гистограммы значений и QQ-плот для оценки нормальности распределения

В данном случае мы добавили график QQ-плот (квантиль-квантиль), т.к. в некоторых случаях при просмотре гистограмм неочевидно, что параметры имеют непараметрическое распределение.

# for k,i in enumerate(target_columns[3:]):
#     print('Параметр =',i,'\nСреднее = ',df_gt_more1day[i].mean(),'std =',df_gt_more1day[i].std(ddof=1))
figure,ax = plt.subplots(len(target_columns[3:]),4,figsize=(19,70))
for k,i in enumerate(target_columns[3:]):
    try:
        sns.histplot(df_gt_more1day[i],bins=10,ax=ax[k,0])
        interval = np.linspace(0,1,int(df_gt_more1day[i].count()))
        x = stats.norm.ppf(np.linspace(0,1,int(df_gt_more1day[i].count())),loc=df_gt_more1day[i].mean(),scale=df_gt_more1day[i].std(ddof=1))
        y = np.quantile(df_gt_more1day[i],interval)
        sns.lineplot(x = x,y = x,ax=ax[k,1],color='r')
        sns.lineplot(x = x,y = y,ax=ax[k,1],color='b')
        sns.scatterplot(x = np.linspace(0,int(df_gt_more1day[i].max()),int(df_gt_more1day[i].count())),y = df_gt_more1day[i],ax=ax[k,1],color='grey')
        sns.histplot(df_gt_only1day[i],bins=10,ax=ax[k,2])
        interval = np.linspace(0,1,int(df_gt_only1day[i].count()))
        x = stats.norm.ppf(np.linspace(0,1,int(df_gt_only1day[i].count())),loc=df_gt_only1day[i].mean(),scale=df_gt_only1day[i].std(ddof=1))
        y = np.quantile(df_gt_only1day[i],interval)
        sns.lineplot(x = x,y = x,ax=ax[k,3],color='r')
        sns.lineplot(x = x,y = y,ax=ax[k,3],color='b')
        sns.scatterplot(x = np.linspace(0,int(df_gt_only1day[i].max()),int(df_gt_only1day[i].count())),y = df_gt_only1day[i],ax=ax[k,3],color='grey')
        ax[k,0].set_title(i+' (ГТ более 1 дня)')
        ax[k,1].set_title(i+' (ГТ более 1 дня: QQ-plot)')
        ax[k,2].set_title(i+' (ГТ только 1 день)')
        ax[k,3].set_title(i+' (ГТ только 1 день: QQ-plot)')
        plt.tight_layout()

    except Exception:
        ax[k,0].set_title(i+' (ГТ более 1 дня)')
        ax[k,1].set_title(i+' (ГТ более 1 дня: QQ-plot)')
        ax[k,2].set_title(i+' (ГТ только 1 день)')
        ax[k,3].set_title(i+' (ГТ только 1 день: QQ-plot)')
        plt.tight_layout()
        pass

По представленным графикам нельзя говорить о нормальном распределении. Разница между двумя группами оценивалась тестом Краскела-Уоллиса.

for k,i in enumerate(target_columns[3:-1]):
    group0 = df_gt_more1day[i]
    group1 = df_gt_only1day[i]
    alpha = 0.05
    test_value, p  = stats.kruskal(group0,group1)
    if alpha<p:
        append_list.append(['Этап 2',i,'значимость различия не доказана',p,alpha,group0.median(),group0.quantile(0.25),group0.quantile(0.75),\
                           group1.median(),group1.quantile(0.25),group1.quantile(0.75)])
    else:
        append_list.append(['Этап 2',i,'обнаружены значимые различия',p,alpha,group0.median(),group0.quantile(0.25),group0.quantile(0.75),\
                           group1.median(),group1.quantile(0.25),group1.quantile(0.75)])

• По большинству параметров в этом случае наблюдается статистически достоверная разница;

• Между двумя группами (см. результаты в сводной таблице ниже) обнаружены статистически значимые различия по большинству параметров:

  • САД;
  • ДАД;
  • СрАД;
  • ИА;
  • SpO2;
  • Cl-;
  • масса тела
  • лактат;
  • АЛТ;
  • АСТ;
  • АЧТВ;
  • волемическая нагрузка, % от нормы;
  • КИ;
  • площадь тела;
  • диурез;

• Обращает на себя внимание то, что в группе с ГТ 1 день снижены КИ и волемическая нагрузка.

Этап 3

Пациенты делятся на 2 группы:

1. Получает гормонотерапию только в первый день.
2. Не получает гормонотерапию в первый и получает ее в последующие дни.

Ограничения: решение о назначении гормонотерапии (ГТ) определялось исходя из наличия показаний.

Нулевая гипотеза: разницы между группами нет.

# df_gt_only1day - пациенты получают ГТ только в 1й день
df_not1_users = df.loc[(~df['ID'].isin(df_1_gt_1))&(df.GT==1),'ID']
df_not1 = df.loc[df.ID.isin(df_not1_users),:]

print(f' Размер первой группы = {df_gt_only1day.ID.nunique()}')

 Размер первой группы = 12

print(f' Размер второй группы = {df_not1.ID.nunique()}')

 Размер второй группы = 25

df_gt_only1day[target_columns[2:]].drop('GT',axis=1).describe().T

	count	mean	std	min	25%	50%	75%	max
Возраст	62.0	7.338710	3.922167	3.000000	4.000000	6.125000	11.750000	15.000000
САД	62.0	110.774194	13.216258	80.000000	102.750000	113.500000	118.750000	150.000000
ДАД	62.0	63.887097	12.420376	35.000000	55.000000	63.000000	70.000000	100.000000
СрАД	62.0	79.516129	11.562561	50.000000	73.083333	77.500000	85.750000	116.666667
ЧСС	62.0	101.145161	19.627554	60.000000	89.000000	98.500000	118.250000	165.000000
ИА	62.0	0.933377	0.257408	0.500000	0.780200	0.865385	1.065152	2.062500
SpO2	62.0	98.774194	2.321809	90.000000	98.000000	99.000000	100.000000	110.000000
Масса тела	62.0	32.741935	22.338627	12.000000	15.000000	21.500000	57.500000	70.000000
Cl-	62.0	107.988371	6.955691	99.400000	102.300000	108.000000	110.750000	129.000000
Лактат	62.0	0.732258	1.322538	0.000000	0.000000	0.000000	1.300000	7.400000
Амилаза	62.0	43.848387	48.114034	0.000000	0.000000	33.000000	64.475000	186.000000
АЛТ	62.0	59.146774	69.878751	5.700000	18.975000	27.200000	74.900000	370.300000
АСТ	62.0	81.050000	87.296940	16.800000	38.000000	52.500000	98.300000	604.200000
АЧТВ	62.0	27.727419	12.050977	0.000000	26.962500	29.200000	33.675000	45.100000
Инфузия, % от N	62.0	106.657416	41.176714	16.607595	82.251450	107.430341	131.557349	205.625000
КИ	62.0	2.338710	6.121565	0.000000	0.000000	0.000000	4.375000	40.000000
Площадь тела	62.0	1.062903	0.245993	0.550000	0.910000	1.090000	1.255000	1.390000
Диурез, мл/кг	62.0	58.592842	37.278234	5.000000	29.060526	51.416667	83.333333	179.166667

df_not1[target_columns[2:]].drop('GT',axis=1).describe().T

	count	mean	std	min	25%	50%	75%	max
Возраст	331.0	10.277002	5.753904	0.750000	5.000000	14.000000	15.000000	17.000000
САД	331.0	110.873112	13.746919	70.000000	100.000000	110.000000	120.000000	170.000000
ДАД	331.0	64.891239	11.953963	30.000000	55.500000	65.000000	75.000000	110.000000
СрАД	331.0	80.218530	11.624494	46.666667	71.833333	80.000000	90.000000	116.666667
ЧСС	331.0	107.743202	23.686409	24.000000	90.000000	109.000000	120.500000	180.000000
ИА	331.0	0.989235	0.267801	0.200000	0.810795	0.970874	1.109244	2.056338
SpO2	331.0	98.564955	1.922241	82.000000	98.000000	99.000000	100.000000	100.000000
Масса тела	331.0	39.172205	21.802536	7.500000	15.000000	50.000000	50.000000	80.000000
Cl-	331.0	114.955073	12.467300	60.600000	106.000000	111.000000	121.000000	169.000000
Лактат	331.0	1.493656	1.587438	-1.100000	1.000000	1.300000	1.900000	25.000000
Амилаза	331.0	101.735257	98.828671	0.000000	50.075000	72.000000	129.700000	551.600000
АЛТ	331.0	63.625196	95.087580	0.000000	24.250000	38.880000	62.025000	1260.700000
АСТ	331.0	77.497281	145.253672	0.000000	28.400000	47.000000	74.700000	2130.600000
АЧТВ	331.0	31.275831	17.886899	0.000000	28.775000	32.000000	34.800000	162.000000
Инфузия, % от N	331.0	140.936967	58.596349	14.166667	109.687500	129.787234	160.270833	647.916667
КИ	331.0	5.961178	7.383817	0.000000	1.250000	5.000000	7.500000	90.000000
Площадь тела	331.0	0.829743	0.330500	0.250000	0.610000	0.670000	1.210000	1.390000
Диурез, мл/кг	331.0	66.512032	42.196608	2.000000	37.500000	53.300000	88.794444	280.000000

# сравнение средних
a = pd.DataFrame(df_gt_only1day[target_columns[2:-1]].drop('GT',axis=1).mean()).rename(columns = {0:'Группа 1: получает ГТ'})
a_ = []
for i in target_columns[2:-1]:
    if i != 'GT':
        a_.append(df_not1[df_not1[i]>0][i].mean())
a['Группа 2: не получает ГТ'] = a_
a

	Группа 1: получает ГТ	Группа 2: не получает ГТ
Возраст	7.338710	10.277002
САД	110.774194	110.873112
ДАД	63.887097	64.891239
СрАД	79.516129	80.218530
ЧСС	101.145161	107.743202
ИА	0.933377	0.989235
SpO2	98.774194	98.564955
Масса тела	32.741935	39.172205
Cl-	107.988371	114.955073
Лактат	0.732258	1.702749
Амилаза	43.848387	114.538673
АЛТ	59.146774	64.799815
АСТ	81.050000	81.692994
АЧТВ	27.727419	34.623077
Инфузия, % от N	106.657416	140.936967
КИ	2.338710	7.956250
Площадь тела	1.062903	0.829743
Диурез, мл/кг	58.592842	66.512032

sns.barplot(data = [[0],[df_gt_only1day.ID.nunique()],[df_not1.ID.nunique()]])
plt.xlim(0.5)
plt.title('Размер групп');

figure,ax = plt.subplots(len(target_columns[3:-1]),4,figsize=(19,70))
for k,i in enumerate(target_columns[3:-1]):
    try:
        sns.histplot(df_gt_only1day[i],bins=10,ax=ax[k,0])
        interval = np.linspace(0,1,int(df_gt_only1day[i].count()))
        x = stats.norm.ppf(np.linspace(0,1,int(df_gt_only1day[i].count())),loc=df_gt_only1day[i].mean(),scale=df_gt_only1day[i].std(ddof=1))
        y = np.quantile(df_gt_only1day[i],interval)
        sns.lineplot(x = x,y = x,ax=ax[k,1],color='r')
        sns.lineplot(x = x,y = y,ax=ax[k,1],color='b')
        sns.scatterplot(x = np.linspace(0,int(df_gt_only1day[i].max()),int(df_gt_only1day[i].count())),y = df_gt_only1day[i],ax=ax[k,1],color='grey')
        sns.histplot(df_not1[i],bins=10,ax=ax[k,2])
        interval = np.linspace(0,1,int(df_not1[i].count()))
        x = stats.norm.ppf(np.linspace(0,1,int(df_not1[i].count())),loc=df_not1[i].mean(),scale=df_not1[i].std(ddof=1))
        y = np.quantile(df_not1[i],interval)
        sns.lineplot(x = x,y = x,ax=ax[k,3],color='r')
        sns.lineplot(x = x,y = y,ax=ax[k,3],color='b')
        sns.scatterplot(x = np.linspace(0,int(df_not1[i].max()),int(df_not1[i].count())),y = df_not1[i],ax=ax[k,3],color='grey')
        ax[k,0].set_title(i+' (получали ГТ)')
        ax[k,1].set_title(i+' (получали ГТ: QQ-plot)')
        ax[k,2].set_title(i+' (не получали ГТ)')
        ax[k,3].set_title(i+' (не получали ГТ: QQ-plot)')
        plt.tight_layout()

    except Exception:
        ax[k,0].set_title(i+' (получали ГТ)')
        ax[k,1].set_title(i+' (получали ГТ: QQ-plot)')
        ax[k,2].set_title(i+' (не получали ГТ)')
        ax[k,3].set_title(i+' (не получали ГТ: QQ-plot)')
        plt.tight_layout()
        pass

for k,i in enumerate(target_columns[3:-1]):
    group0 = df_gt_only1day[i]
    group1 = df_not1[i]
    alpha = 0.05
    test_value, p  = stats.kruskal(group0,group1)
    if alpha<p:
        append_list.append(['Этап 3',i,'значимость различия не доказана',p,alpha,group0.median(),group0.quantile(0.25),group0.quantile(0.75),\
                           group1.median(),group1.quantile(0.25),group1.quantile(0.75)])
    else:
        append_list.append(['Этап 3',i,'обнаружены значимые различия',p,alpha,group0.median(),group0.quantile(0.25),group0.quantile(0.75),\
                           group1.median(),group1.quantile(0.25),group1.quantile(0.75)])

результаты представлены в сводной таблице (см. ниже)

Этап 4

Пациенты делятся на 2 группы:

1. Получает гормонотерапию только в первый день
2. Не получает гормонотерапию за все время лечения

# df_gt_only1day - пациенты получают ГТ только в 1й день
df_only1 = df.loc[df.ID.isin(df_gt_only1day.ID.unique()),:]
# поле GT будет содержать 1, если пациент получал ГТ в какой-нибудь день
a = df.groupby('ID',as_index=False)['GT'].max()
users = a.loc[a['GT']==1,'ID'].values
df_noGT = df.loc[~df.ID.isin(users),:]

df_only1[target_columns[2:]].drop('GT',axis=1).describe().T

	count	mean	std	min	25%	50%	75%	max
Возраст	62.0	7.338710	3.922167	3.000000	4.000000	6.125000	11.750000	15.000000
САД	62.0	110.774194	13.216258	80.000000	102.750000	113.500000	118.750000	150.000000
ДАД	62.0	63.887097	12.420376	35.000000	55.000000	63.000000	70.000000	100.000000
СрАД	62.0	79.516129	11.562561	50.000000	73.083333	77.500000	85.750000	116.666667
ЧСС	62.0	101.145161	19.627554	60.000000	89.000000	98.500000	118.250000	165.000000
ИА	62.0	0.933377	0.257408	0.500000	0.780200	0.865385	1.065152	2.062500
SpO2	62.0	98.774194	2.321809	90.000000	98.000000	99.000000	100.000000	110.000000
Масса тела	62.0	32.741935	22.338627	12.000000	15.000000	21.500000	57.500000	70.000000
Cl-	62.0	107.988371	6.955691	99.400000	102.300000	108.000000	110.750000	129.000000
Лактат	62.0	0.732258	1.322538	0.000000	0.000000	0.000000	1.300000	7.400000
Амилаза	62.0	43.848387	48.114034	0.000000	0.000000	33.000000	64.475000	186.000000
АЛТ	62.0	59.146774	69.878751	5.700000	18.975000	27.200000	74.900000	370.300000
АСТ	62.0	81.050000	87.296940	16.800000	38.000000	52.500000	98.300000	604.200000
АЧТВ	62.0	27.727419	12.050977	0.000000	26.962500	29.200000	33.675000	45.100000
Инфузия, % от N	62.0	106.657416	41.176714	16.607595	82.251450	107.430341	131.557349	205.625000
КИ	62.0	2.338710	6.121565	0.000000	0.000000	0.000000	4.375000	40.000000
Площадь тела	62.0	1.062903	0.245993	0.550000	0.910000	1.090000	1.255000	1.390000
Диурез, мл/кг	62.0	58.592842	37.278234	5.000000	29.060526	51.416667	83.333333	179.166667

df_noGT[target_columns[2:]].drop('GT',axis=1).describe().T

	count	mean	std	min	25%	50%	75%	max
Возраст	442.0	9.533793	5.402981	0.250000	4.000000	11.000000	15.000000	18.000000
САД	442.0	110.757919	15.134701	50.000000	100.000000	110.000000	120.000000	170.000000
ДАД	442.0	64.291855	11.203473	26.000000	60.000000	64.500000	70.000000	119.000000
СрАД	442.0	79.780543	11.529464	34.000000	73.333333	80.000000	86.666667	117.333333
ЧСС	442.0	105.434389	23.485828	40.000000	90.000000	107.000000	120.000000	180.000000
ИА	442.0	0.977722	0.290774	0.381356	0.772942	0.989181	1.127008	2.250000
SpO2	442.0	98.490950	2.585703	70.000000	98.000000	99.000000	100.000000	100.000000
Масса тела	442.0	40.165158	23.323659	6.000000	16.500000	40.000000	60.000000	103.000000
Cl-	442.0	111.731211	14.160864	85.000000	104.000000	108.744756	113.925000	191.000000
Лактат	442.0	1.301787	1.358736	0.000000	0.000000	1.100000	1.700000	17.000000
Амилаза	442.0	69.267873	149.430565	0.000000	0.000000	39.000000	78.975000	2520.000000
АЛТ	442.0	92.528959	172.734534	0.000000	18.700000	35.000000	92.750000	1384.000000
АСТ	442.0	112.097217	229.037349	0.000000	28.900000	52.000000	103.175000	2242.000000
АЧТВ	442.0	24.614706	17.835235	0.000000	0.000000	30.000000	37.000000	67.000000
Инфузия, % от N	442.0	118.928207	49.901537	0.000000	93.170732	112.254684	143.658425	295.701754
КИ	442.0	6.478394	21.513932	0.000000	0.000000	0.000000	5.000000	320.000000
Площадь тела	442.0	0.962680	0.344912	0.290800	0.730000	0.970000	1.330000	1.390000
Диурез, мл/кг	442.0	56.164626	34.108535	0.000000	32.115385	48.503497	72.727273	229.333333

# сравнение средних
a = pd.DataFrame(df_only1[target_columns[2:-1]].drop('GT',axis=1).mean()).rename(columns = {0:'Группа 1: ГТ только в 1й день'})
a_ = []
for i in target_columns[2:-1]:
    if i != 'GT':
        a_.append(df_noGT[df_noGT[i]>0][i].mean())
a['Группа 2: не получает ГТ'] = a_
a

	Группа 1: ГТ только в 1й день	Группа 2: не получает ГТ
Возраст	7.338710	9.533793
САД	110.774194	110.757919
ДАД	63.887097	64.291855
СрАД	79.516129	79.780543
ЧСС	101.145161	105.434389
ИА	0.933377	0.977722
SpO2	98.774194	98.490950
Масса тела	32.741935	40.165158
Cl-	107.988371	111.731211
Лактат	0.732258	1.743606
Амилаза	43.848387	97.194921
АЛТ	59.146774	103.277273
АСТ	81.050000	126.395332
АЧТВ	27.727419	34.429430
Инфузия, % от N	106.657416	120.564834
КИ	2.338710	14.389196
Площадь тела	1.062903	0.962680
Диурез, мл/кг	58.592842	57.332020

# Размер выборки
print(f'Количество пациентов в группах:\nПервая группа\t{df_only1.ID.nunique()}\nВторая группа\t{df_noGT.ID.nunique()}')

Количество пациентов в группах:
Первая группа	12
Вторая группа	90

sns.barplot(data = [[0],[df_only1.ID.nunique()],[df_noGT.ID.nunique()]])
plt.xlim(0.5)
plt.title('Размер групп');

# for k,i in enumerate(target_columns[3:]):
#     print('Параметр =',i,'\nСреднее = ',df_gt_more1day[i].mean(),'std =',df_gt_more1day[i].std(ddof=1))
figure,ax = plt.subplots(len(target_columns[3:-1]),4,figsize=(19,70))
for k,i in enumerate(target_columns[3:-1]):
    try:
        sns.histplot(df_only1[i],bins=10,ax=ax[k,0])
        interval = np.linspace(0,1,int(df_only1[i].count()))
        x = stats.norm.ppf(np.linspace(0,1,int(df_only1[i].count())),loc=df_only1[i].mean(),scale=df_only1[i].std(ddof=1))
        y = np.quantile(df_only1[i],interval)
        sns.lineplot(x = x,y = x,ax=ax[k,1],color='r')
        sns.lineplot(x = x,y = y,ax=ax[k,1],color='b')
        sns.scatterplot(x = np.linspace(0,int(df_only1[i].max()),int(df_only1[i].count())),y = df_only1[i],ax=ax[k,1],color='grey')
        sns.histplot(df_noGT[i],bins=10,ax=ax[k,2])
        interval = np.linspace(0,1,int(df_noGT[i].count()))
        x = stats.norm.ppf(np.linspace(0,1,int(df_noGT[i].count())),loc=df_noGT[i].mean(),scale=df_noGT[i].std(ddof=1))
        y = np.quantile(df_noGT[i],interval)
        sns.lineplot(x = x,y = x,ax=ax[k,3],color='r')
        sns.lineplot(x = x,y = y,ax=ax[k,3],color='b')
        sns.scatterplot(x = np.linspace(0,int(df_noGT[i].max()),int(df_noGT[i].count())),y = df_noGT[i],ax=ax[k,3],color='grey')
        ax[k,0].set_title(i+' (получали ГТ)')
        ax[k,1].set_title(i+' (получали ГТ: QQ-plot)')
        ax[k,2].set_title(i+' (не получали ГТ)')
        ax[k,3].set_title(i+' (не получали ГТ: QQ-plot)')
        plt.tight_layout()

    except Exception:
        ax[k,0].set_title(i+' (получали ГТ)')
        ax[k,1].set_title(i+' (получали ГТ: QQ-plot)')
        ax[k,2].set_title(i+' (не получали ГТ)')
        ax[k,3].set_title(i+' (не получали ГТ: QQ-plot)')
        plt.tight_layout()
        pass

for k,i in enumerate(target_columns[3:-1]):
    group0 = df_only1[i]
    group1 = df_noGT[i]
    alpha = 0.05
    test_value, p  = stats.kruskal(group0,group1)
    if alpha<p:
        append_list.append(['Этап 4',i,'значимость различия не доказана',p,alpha,group0.median(),group0.quantile(0.25),group0.quantile(0.75),\
                           group1.median(),group1.quantile(0.25),group1.quantile(0.75)])
    else:
        append_list.append(['Этап 4',i,'обнаружены значимые различия',p,alpha,group0.median(),group0.quantile(0.25),group0.quantile(0.75),\
                           group1.median(),group1.quantile(0.25),group1.quantile(0.75)])

результаты представлены в сводной таблице (см. ниже)

Этап 5

Пациенты делятся на 2 группы:

1. Получает гормонотерапию в любой день.
2. Не получает ни разу за время лечения.

Ограничения: решение о назначении гормонотерапии (ГТ) определялось исходя из наличия показаний.

Нулевая гипотеза: разницы между группами нет.

df_any_users = df.loc[df.GT==1,'ID'].unique()
df_any = df.loc[df.ID.isin(df_any_users),:]
df_noGT_users = df.groupby('ID',as_index=False).max()
df_noGT_users = df_noGT_users.loc[df_noGT_users.GT==0,'ID']
df_noGT = df.loc[df.ID.isin(df_noGT_users),:]

df_any[target_columns[2:]].drop('GT',axis=1).describe().T

	count	mean	std	min	25%	50%	75%	max
Возраст	950.0	10.169496	5.463123	0.250000	5.000000	12.000000	15.000000	17.000000
САД	950.0	111.498947	15.995175	45.000000	101.000000	110.000000	120.000000	170.000000
ДАД	950.0	65.114737	13.107262	5.000000	56.000000	65.000000	75.000000	110.000000
СрАД	950.0	80.576140	13.194491	26.333333	73.333333	80.833333	90.000000	120.666667
ЧСС	950.0	105.881053	23.499379	24.000000	90.000000	105.000000	120.000000	186.000000
ИА	950.0	0.974400	0.296070	0.200000	0.782609	0.926121	1.096178	3.100000
SpO2	950.0	98.324211	3.627861	26.000000	98.000000	99.000000	100.000000	110.000000
Масса тела	950.0	40.862105	22.366497	6.000000	20.000000	45.000000	60.000000	100.000000
Cl-	950.0	111.966233	12.231454	31.000000	104.000000	109.000000	116.000000	193.000000
Лактат	950.0	1.544632	1.888258	-1.100000	0.700000	1.300000	2.000000	25.000000
Амилаза	950.0	112.908642	173.921494	0.000000	0.000000	61.000000	141.500000	1940.000000
АЛТ	950.0	77.092779	158.850638	0.000000	23.000000	40.350000	74.225000	2865.000000
АСТ	950.0	102.830789	200.358409	0.000000	31.925000	50.600000	97.262500	2458.300000
АЧТВ	950.0	26.216789	17.708873	0.000000	23.550000	30.000000	34.387500	162.000000
Инфузия, % от N	950.0	125.897526	55.098593	0.000000	95.468750	119.125000	143.472222	647.916667
КИ	950.0	8.891968	36.776043	0.000000	0.000000	5.000000	7.000000	956.600000
Площадь тела	950.0	0.951258	0.328448	0.250000	0.660000	1.030000	1.210000	1.450000
Диурез, мл/кг	950.0	54.746808	35.783735	0.000000	30.000000	46.201923	70.833333	280.000000

df_noGT[target_columns[2:]].drop('GT',axis=1).describe().T

	count	mean	std	min	25%	50%	75%	max
Возраст	442.0	9.533793	5.402981	0.250000	4.000000	11.000000	15.000000	18.000000
САД	442.0	110.757919	15.134701	50.000000	100.000000	110.000000	120.000000	170.000000
ДАД	442.0	64.291855	11.203473	26.000000	60.000000	64.500000	70.000000	119.000000
СрАД	442.0	79.780543	11.529464	34.000000	73.333333	80.000000	86.666667	117.333333
ЧСС	442.0	105.434389	23.485828	40.000000	90.000000	107.000000	120.000000	180.000000
ИА	442.0	0.977722	0.290774	0.381356	0.772942	0.989181	1.127008	2.250000
SpO2	442.0	98.490950	2.585703	70.000000	98.000000	99.000000	100.000000	100.000000
Масса тела	442.0	40.165158	23.323659	6.000000	16.500000	40.000000	60.000000	103.000000
Cl-	442.0	111.731211	14.160864	85.000000	104.000000	108.744756	113.925000	191.000000
Лактат	442.0	1.301787	1.358736	0.000000	0.000000	1.100000	1.700000	17.000000
Амилаза	442.0	69.267873	149.430565	0.000000	0.000000	39.000000	78.975000	2520.000000
АЛТ	442.0	92.528959	172.734534	0.000000	18.700000	35.000000	92.750000	1384.000000
АСТ	442.0	112.097217	229.037349	0.000000	28.900000	52.000000	103.175000	2242.000000
АЧТВ	442.0	24.614706	17.835235	0.000000	0.000000	30.000000	37.000000	67.000000
Инфузия, % от N	442.0	118.928207	49.901537	0.000000	93.170732	112.254684	143.658425	295.701754
КИ	442.0	6.478394	21.513932	0.000000	0.000000	0.000000	5.000000	320.000000
Площадь тела	442.0	0.962680	0.344912	0.290800	0.730000	0.970000	1.330000	1.390000
Диурез, мл/кг	442.0	56.164626	34.108535	0.000000	32.115385	48.503497	72.727273	229.333333

# сравнение средних
a = pd.DataFrame(df_any[target_columns[2:-1]].drop('GT',axis=1).mean()).rename(columns = {0:'Группа 1: получает ГТ'})
a_ = []
for i in target_columns[2:-1]:
    if i != 'GT':
        a_.append(df_noGT[df_noGT[i]>0][i].mean())
a['Группа 2: не получает ГТ'] = a_
a

	Группа 1: получает ГТ	Группа 2: не получает ГТ
Возраст	10.169496	9.533793
САД	111.498947	110.757919
ДАД	65.114737	64.291855
СрАД	80.576140	79.780543
ЧСС	105.881053	105.434389
ИА	0.974400	0.977722
SpO2	98.324211	98.490950
Масса тела	40.862105	40.165158
Cl-	111.966233	111.731211
Лактат	1.544632	1.743606
Амилаза	112.908642	97.194921
АЛТ	77.092779	103.277273
АСТ	102.830789	126.395332
АЧТВ	26.216789	34.429430
Инфузия, % от N	125.897526	120.564834
КИ	8.891968	14.389196
Площадь тела	0.951258	0.962680
Диурез, мл/кг	54.746808	57.332020

# Размер выборки
print(f'Количество пациентов в группах:\nПервая группа\t{df_any.ID.nunique()}\nВторая группа\t{df_noGT.ID.nunique()}')

Количество пациентов в группах:
Первая группа	113
Вторая группа	90

sns.barplot(data = [[0],[df_any.ID.nunique()],[df_noGT.ID.nunique()]])
plt.xlim(0.5)
plt.title('Размер групп');

Гистограммы значений и графики QQ-плот изучаемых параметров.

# for k,i in enumerate(target_columns[3:]):
#     print('Параметр =',i,'\nСреднее = ',df_gt_more1day[i].mean(),'std =',df_gt_more1day[i].std(ddof=1))
figure,ax = plt.subplots(len(target_columns[3:-1]),4,figsize=(19,70))
for k,i in enumerate(target_columns[3:-1]):
    try:
        sns.histplot(df_any[i],bins=10,ax=ax[k,0])
        interval = np.linspace(0,1,int(df_any[i].count()))
        x = stats.norm.ppf(np.linspace(0,1,int(df_any[i].count())),loc=df_any[i].mean(),scale=df_any[i].std(ddof=1))
        y = np.quantile(df_any[i],interval)
        sns.lineplot(x = x,y = x,ax=ax[k,1],color='r')
        sns.lineplot(x = x,y = y,ax=ax[k,1],color='b')
        sns.scatterplot(x = np.linspace(0,int(df_any[i].max()),int(df_any[i].count())),y = df_any[i],ax=ax[k,1],color='grey')
        sns.histplot(df_noGT[i],bins=10,ax=ax[k,2])
        interval = np.linspace(0,1,int(df_noGT[i].count()))
        x = stats.norm.ppf(np.linspace(0,1,int(df_noGT[i].count())),loc=df_noGT[i].mean(),scale=df_noGT[i].std(ddof=1))
        y = np.quantile(df_noGT[i],interval)
        sns.lineplot(x = x,y = x,ax=ax[k,3],color='r')
        sns.lineplot(x = x,y = y,ax=ax[k,3],color='b')
        sns.scatterplot(x = np.linspace(0,int(df_noGT[i].max()),int(df_noGT[i].count())),y = df_noGT[i],ax=ax[k,3],color='grey')
        ax[k,0].set_title(i+' (получали ГТ)')
        ax[k,1].set_title(i+' (получали ГТ: QQ-plot)')
        ax[k,2].set_title(i+' (не получали ГТ)')
        ax[k,3].set_title(i+' (не получали ГТ: QQ-plot)')
        plt.tight_layout()

    except Exception:
        ax[k,0].set_title(i+' (получали ГТ)')
        ax[k,1].set_title(i+' (получали ГТ: QQ-plot)')
        ax[k,2].set_title(i+' (не получали ГТ)')
        ax[k,3].set_title(i+' (не получали ГТ: QQ-plot)')
        plt.tight_layout()
        pass

• И снова на графиках QQ-плот отчетливо видно, что данные распределены непараметрически.
• Дальнейший анализ - с помощью критерия Краскела-Уоллиса

for k,i in enumerate(target_columns[3:-1]):
    group0 = df_any[i]
    group1 = df_noGT[i]
    alpha = 0.05
    test_value, p  = stats.kruskal(group0,group1)
    if alpha<p:
        append_list.append(['Этап 5',i,'значимость различия не доказана',p,alpha,group0.median(),group0.quantile(0.25),group0.quantile(0.75),\
                           group1.median(),group1.quantile(0.25),group1.quantile(0.75)])
    else:
        append_list.append(['Этап 5',i,'обнаружены значимые различия',p,alpha,group0.median(),group0.quantile(0.25),group0.quantile(0.75),\
                           group1.median(),group1.quantile(0.25),group1.quantile(0.75)])
    if alpha<p:
        print(f'Разница по параметру {i} между двумя группами не доказана.')
        print(f'\tСтатистика теста = {test_value}, p-значение = {p}')
    else:
        print(f'По параметру {i} наблюдается статистически достоверная разница между двумя группами.')
        print(f'\tСтатистика теста = {test_value}, p-значение = {p}')

По параметру GT наблюдается статистически достоверная разница между двумя группами.
	Статистика теста = 308.14877267399817, p-значение = 5.527209682796086e-69
Разница по параметру САД между двумя группами не доказана.
	Статистика теста = 0.789104211346105, p-значение = 0.3743711298061947
Разница по параметру ДАД между двумя группами не доказана.
	Статистика теста = 2.7054287237733887, p-значение = 0.10000719410523369
Разница по параметру СрАД между двумя группами не доказана.
	Статистика теста = 3.0993025343491, p-значение = 0.07832584439605056
Разница по параметру ЧСС между двумя группами не доказана.
	Статистика теста = 0.11643911886382965, p-значение = 0.7329291102177846
Разница по параметру ИА между двумя группами не доказана.
	Статистика теста = 1.6827012673646609, p-значение = 0.1945659039824976
Разница по параметру SpO2 между двумя группами не доказана.
	Статистика теста = 1.4013909315768618, p-значение = 0.23649082215979317
Разница по параметру Масса тела между двумя группами не доказана.
	Статистика теста = 0.5132014739655003, p-значение = 0.4737562370529689
Разница по параметру Cl- между двумя группами не доказана.
	Статистика теста = 1.3563912947662462, p-значение = 0.24416388211336565
По параметру Лактат наблюдается статистически достоверная разница между двумя группами.
	Статистика теста = 4.345382051745382, p-значение = 0.03710944035028754
По параметру Амилаза наблюдается статистически достоверная разница между двумя группами.
	Статистика теста = 23.36307258502768, p-значение = 1.3412884804072379e-06
Разница по параметру АЛТ между двумя группами не доказана.
	Статистика теста = 1.0558792745562107, p-значение = 0.3041569120249382
Разница по параметру АСТ между двумя группами не доказана.
	Статистика теста = 0.2507335853078321, p-значение = 0.6165590105483493
Разница по параметру АЧТВ между двумя группами не доказана.
	Статистика теста = 0.31955488822393074, p-значение = 0.5718752636675102
Разница по параметру Инфузия, % от N между двумя группами не доказана.
	Статистика теста = 3.2274101479296515, p-значение = 0.07241512567509965
По параметру КИ наблюдается статистически достоверная разница между двумя группами.
	Статистика теста = 44.58962956570288, p-значение = 2.4297524397228827e-11
Разница по параметру Площадь тела между двумя группами не доказана.
	Статистика теста = 1.1527486425364868, p-значение = 0.28297450085997505
Разница по параметру Диурез, мл/кг между двумя группами не доказана.
	Статистика теста = 2.2854119663953787, p-значение = 0.1305954615441217

• В результате была обнаружена статистически достоверная разница между группами по параметру Амилаза и КИ.
• По параметру КИ обращает на себя внимание один выброс в группе, получавшей ГТ (см. график). Рассчитаем статистику без него.

group0 = df_any['КИ'].drop(df_any.loc[df_any['КИ']>800,:].index,axis=0)
group1 = df_noGT['КИ']
alpha = 0.05
test_value, p  = stats.kruskal(group0,group1)
if alpha<p:
    print(f'Разница по параметру КИ между двумя группами не доказана.')
    print(f'\tСтатистика теста = {test_value}, p-значение = {p}')
else:
    print(f'По параметру КИ наблюдается статистически достоверная разница между двумя группами.')
    print(f'\tСтатистика теста = {test_value}, p-значение = {p}')

По параметру КИ наблюдается статистически достоверная разница между двумя группами.
	Статистика теста = 44.23698594591091, p-значение = 2.909321225967024e-11

• Даже после устранения этого выброса сохраняется значимость различий между группами.
• Различия по КИ и амилазе могут свидетельствовать о тяжести состояния данных пациентов. В то время как параметры гемодинамики могут быть скорректированы гормональной поддержкой преднизолоном, дексаметазоном, инотропными препаратами и волемической нагрузкой, становится необходимым использовать индексы и биохимические маркеры повреждения органов для оценки состояния и прогноза заболевания.

def highlight_greaterthan(x):
    color = 'lightgreen' if x<0.05 else 'white'
    return 'background-color: %s' % color
columns = ['Вариант', 'Показатель', 'Значимость различий', 'p_value', 'alpha','Медиана (1)','25 центиль (1)','75 центиль (1)','Медиана (2)','25 центиль (2)','75 центиль (2)']
df_results = pd.DataFrame(append_list).set_axis(columns, axis=1)
df_results.columns = columns
df_results = df_results.drop(['Значимость различий','alpha'], axis=1).pivot(columns = ['Вариант'],index = 'Показатель',values = ['p_value', 'Медиана (1)','25 центиль (1)','75 центиль (1)','Медиана (2)','25 центиль (2)','75 центиль (2)']).drop('GT',axis=0)
df_results = df_results.style.applymap(highlight_greaterthan)
df_results

	p_value					Медиана (1)					25 центиль (1)					75 центиль (1)					Медиана (2)					25 центиль (2)					75 центиль (2)
Вариант	Этап 1	Этап 2	Этап 3	Этап 4	Этап 5	Этап 1	Этап 2	Этап 3	Этап 4	Этап 5	Этап 1	Этап 2	Этап 3	Этап 4	Этап 5	Этап 1	Этап 2	Этап 3	Этап 4	Этап 5	Этап 1	Этап 2	Этап 3	Этап 4	Этап 5	Этап 1	Этап 2	Этап 3	Этап 4	Этап 5	Этап 1	Этап 2	Этап 3	Этап 4	Этап 5
Показатель
Cl-	0.530669	0.170343	0.000010	0.050680	0.244164	108.744756	108.744756	108.000000	108.000000	109.000000	104.000000	104.000000	102.300000	102.300000	104.000000	113.000000	114.000000	110.750000	110.750000	116.000000	108.000000	108.000000	111.000000	108.744756	108.744756	104.750000	102.300000	106.000000	104.000000	104.000000	110.250000	110.750000	121.000000	113.925000	113.925000
SpO2	0.752932	0.487279	0.628304	0.909820	0.236491	100.000000	99.000000	99.000000	99.000000	99.000000	98.000000	98.000000	98.000000	98.000000	98.000000	100.000000	100.000000	100.000000	100.000000	100.000000	99.000000	99.000000	99.000000	99.000000	99.000000	98.000000	98.000000	98.000000	98.000000	98.000000	100.000000	100.000000	100.000000	100.000000	100.000000
АЛТ	0.975858	0.058156	0.179017	0.490306	0.304157	36.000000	42.800000	27.200000	27.200000	40.350000	12.600000	23.437500	18.975000	18.975000	23.000000	97.250000	78.750000	74.900000	74.900000	74.225000	31.650000	27.200000	38.880000	35.000000	35.000000	15.650000	18.975000	24.250000	18.700000	18.700000	95.325000	74.900000	62.025000	92.750000	92.750000
АСТ	0.505087	0.796281	0.045298	0.460869	0.616559	53.100000	55.500000	52.500000	52.500000	50.600000	0.000000	34.975000	38.000000	38.000000	31.925000	140.700000	116.000000	98.300000	98.300000	97.262500	58.200000	52.500000	47.000000	52.000000	52.000000	27.875000	38.000000	28.400000	28.900000	28.900000	162.650000	98.300000	74.700000	103.175000	103.175000
АЧТВ	0.437916	0.046088	0.010146	0.885253	0.571875	23.500000	27.800000	29.200000	29.200000	30.000000	0.000000	0.000000	26.962500	26.962500	23.550000	31.000000	34.050000	33.675000	33.675000	34.387500	0.000000	29.200000	32.000000	30.000000	30.000000	0.000000	26.962500	28.775000	0.000000	0.000000	30.000000	33.675000	34.800000	37.000000	37.000000
Амилаза	0.172694	0.021492	0.000000	0.198576	0.000001	15.300000	49.300000	33.000000	33.000000	61.000000	0.000000	0.000000	0.000000	0.000000	0.000000	50.850000	172.025000	64.475000	64.475000	141.500000	0.000000	33.000000	72.000000	39.000000	39.000000	0.000000	0.000000	50.075000	0.000000	0.000000	43.975000	64.475000	129.700000	78.975000	78.975000
ДАД	0.291620	0.124629	0.421296	0.500656	0.100007	60.000000	65.000000	63.000000	63.000000	65.000000	55.500000	60.000000	55.000000	55.000000	56.000000	70.000000	75.000000	70.000000	70.000000	75.000000	60.500000	63.000000	65.000000	64.500000	64.500000	50.000000	55.000000	55.500000	60.000000	60.000000	70.000000	70.000000	75.000000	70.000000	70.000000
Диурез, мл/кг	0.423433	0.047508	0.137048	0.900328	0.130595	30.303030	42.500000	51.416667	51.416667	46.201923	15.250000	28.000000	29.060526	29.060526	30.000000	54.916667	58.150106	83.333333	83.333333	70.833333	33.458333	51.416667	53.300000	48.503497	48.503497	13.722222	29.060526	37.500000	32.115385	32.115385	63.072082	83.333333	88.794444	72.727273	72.727273
ИА	0.413728	0.506601	0.086575	0.155302	0.194566	1.000000	0.909091	0.865385	0.865385	0.926121	0.825121	0.775182	0.780200	0.780200	0.782609	1.211702	1.090909	1.065152	1.065152	1.096178	1.078499	0.865385	0.970874	0.989181	0.989181	0.855820	0.780200	0.810795	0.772942	0.772942	1.273694	1.065152	1.109244	1.127008	1.127008
Инфузия, % от N	0.987496	0.141550	0.000001	0.084855	0.072415	79.166667	112.729691	107.430341	107.430341	119.125000	56.039136	89.583333	82.251450	82.251450	95.468750	122.143500	138.134470	131.557349	131.557349	143.472222	79.737634	107.430341	129.787234	112.254684	112.254684	54.614504	82.251450	109.687500	93.170732	93.170732	116.593750	131.557349	160.270833	143.658425	143.658425
КИ	0.142119	0.000000	0.000000	0.017552	0.000000	0.000000	4.500000	0.000000	0.000000	5.000000	0.000000	0.000000	0.000000	0.000000	0.000000	1.250000	7.500000	4.375000	4.375000	7.000000	0.000000	0.000000	5.000000	0.000000	0.000000	0.000000	0.000000	1.250000	0.000000	0.000000	5.000000	4.375000	7.500000	5.000000	5.000000
Лактат	0.539150	0.000000	0.000000	0.000005	0.037109	1.000000	1.300000	0.000000	0.000000	1.300000	0.000000	0.000000	0.000000	0.000000	0.700000	2.500000	2.100000	1.300000	1.300000	2.000000	1.250000	0.000000	1.300000	1.100000	1.100000	0.000000	0.000000	1.000000	0.000000	0.000000	2.800000	1.300000	1.900000	1.700000	1.700000
Масса тела	0.950929	0.001957	0.134864	0.039056	0.473756	30.000000	45.000000	21.500000	21.500000	45.000000	16.000000	20.000000	15.000000	15.000000	20.000000	50.000000	60.000000	57.500000	57.500000	60.000000	30.000000	21.500000	50.000000	40.000000	40.000000	18.000000	15.000000	15.000000	16.500000	16.500000	51.250000	57.500000	50.000000	60.000000	60.000000
Площадь тела	0.222210	0.395471	0.000001	0.099701	0.282975	0.850000	1.090000	1.090000	1.090000	1.030000	0.610000	0.790000	0.910000	0.910000	0.660000	1.210000	1.270000	1.255000	1.255000	1.210000	1.030000	1.090000	0.670000	0.970000	0.970000	0.610000	0.910000	0.610000	0.730000	0.730000	1.210000	1.255000	1.210000	1.330000	1.330000
САД	0.735154	0.320013	0.954688	0.879427	0.374371	110.000000	112.500000	113.500000	113.500000	110.000000	92.500000	104.000000	102.750000	102.750000	101.000000	120.000000	120.000000	118.750000	118.750000	120.000000	106.500000	113.500000	110.000000	110.000000	110.000000	90.000000	102.750000	100.000000	100.000000	100.000000	118.500000	118.750000	120.000000	120.000000	120.000000
СрАД	0.469319	0.135631	0.641475	0.677084	0.078326	77.333333	81.666667	77.500000	77.500000	80.833333	68.833333	73.333333	73.083333	73.083333	73.333333	86.333333	90.083333	85.750000	85.750000	90.000000	77.666667	77.500000	80.000000	80.000000	80.000000	66.666667	73.083333	71.833333	73.333333	73.333333	85.666667	85.750000	90.000000	86.666667	86.666667
ЧСС	0.562531	0.191232	0.035325	0.086939	0.732929	110.000000	105.000000	98.500000	98.500000	105.000000	92.000000	88.750000	89.000000	89.000000	90.000000	125.000000	120.000000	118.250000	118.250000	120.000000	112.500000	98.500000	109.000000	107.000000	107.000000	96.000000	89.000000	90.000000	90.000000	90.000000	122.000000	118.250000	120.500000	120.000000	120.000000

---

Анализ выживаемости при использовании ГТ

Пациенты делятся на 2 группы:

1. Выжившие.
2. Умершие.

По этим двум группам отдельно сравниваются пациенты получавшие и не получавшие ГТ

Ограничения: решение о назначении гормонотерапии (ГТ) определялось исходя из наличия показаний.

Нулевая гипотеза: разницы между группами нет.

Графический анализ

• графики распределения значений параметров 2х групп пациентов (выживших и умерших): все дни лечения

group0 = df[df['OUTCOME']=='Survived']
group1 = df[df['OUTCOME']=='Died']
figure,ax = plt.subplots(len(target_columns[2:-1]),4,figsize=(19,75))
for k,i in enumerate(target_columns[2:-1]):
    try:
        sns.histplot(group0[i],bins=10,ax=ax[k,0])
        interval = np.linspace(0,1,int(group0[i].count()))
        x = stats.norm.ppf(np.linspace(0,1,int(group0[i].count())),loc=group0[i].mean(),scale=group0[i].std(ddof=1))
        y = np.quantile(group0[i],interval)
        sns.lineplot(x = x,y = x,ax=ax[k,1],color='r')
        sns.lineplot(x = x,y = y,ax=ax[k,1],color='b')
        sns.scatterplot(x = np.linspace(0,int(group0[i].max()),int(group0[i].count())),y = group0[i],ax=ax[k,1],color='grey')
        sns.histplot(group1[i],bins=10,ax=ax[k,2])
        interval = np.linspace(0,1,int(group1[i].count()))
        x = stats.norm.ppf(np.linspace(0,1,int(group1[i].count())),loc=group1[i].mean(),scale=group1[i].std(ddof=1))
        y = np.quantile(group1[i],interval)
        sns.lineplot(x = x,y = x,ax=ax[k,3],color='r')
        sns.lineplot(x = x,y = y,ax=ax[k,3],color='b')
        sns.scatterplot(x = np.linspace(0,int(group1[i].max()),int(group1[i].count())),y = group1[i],ax=ax[k,3],color='grey')
        ax[k,0].set_title(i+' (выжившие пациенты)')
        ax[k,1].set_title(i+' (выжившие пациенты: QQ-plot)')
        ax[k,2].set_title(i+' (умершие пациенты)')
        ax[k,3].set_title(i+' (умершие пациенты: QQ-plot)')
        plt.tight_layout()

    except Exception:
        ax[k,0].set_title(i+' (выжившие пациенты)')
        ax[k,1].set_title(i+' (выжившие пациенты: QQ-plot)')
        ax[k,2].set_title(i+' (умершие пациенты)')
        ax[k,3].set_title(i+' (умершие пациенты: QQ-plot)')
        plt.tight_layout()
        pass

1. Все вместе:

   • получавшие ГТ;
   • не получавшие ГТ.

df.groupby('OUTCOME',as_index=False)['ID'].nunique().replace({'Died':'Умерли','Survived':'Выжили'})

	OUTCOME	ID
0	Умерли	19
1	Выжили	184

Имеется сильная асимметрия выборки: большинство пациентов выжили; 19 - умерли.

# количество умерших (Died) и выживших (Survived) пациентов
fig, ax = plt.subplots()
sns.barplot(data = [[i] for i in df.groupby('OUTCOME',as_index=False)['ID'].nunique()['ID']])
ax.set_xticklabels(['Умерли', 'Выжили'])
plt.show()

Описательная статистика: Выжившие пациенты

# описательная статистика выживших пациентов
df[df['OUTCOME']=='Survived'][target_columns[2:-1]].describe().T

	count	mean	std	min	25%	50%	75%	max
Возраст	1232.0	10.154795	5.538551	0.25	4.000000	12.000000	15.000000	18.000000
GT	1232.0	0.293831	0.455701	0.00	0.000000	0.000000	1.000000	1.000000
САД	1232.0	112.331981	14.082478	50.00	104.000000	110.000000	120.000000	170.000000
ДАД	1232.0	65.692370	11.614174	5.00	60.000000	65.000000	73.000000	119.000000
СрАД	1232.0	81.238907	11.469878	30.00	73.333333	81.333333	88.333333	117.666667
ЧСС	1232.0	105.797890	23.279370	24.00	90.000000	106.000000	120.000000	180.000000
ИА	1232.0	0.962915	0.278175	0.20	0.772727	0.933333	1.100000	2.800000
SpO2	1232.0	98.581169	2.996055	26.00	98.000000	99.000000	100.000000	110.000000
Масса тела	1232.0	41.689123	23.182670	6.00	18.000000	45.000000	60.000000	103.000000
Cl-	1232.0	110.864558	11.799959	31.00	104.000000	108.744756	114.000000	191.000000
Лактат	1232.0	1.374789	1.310977	-1.10	0.800000	1.200000	1.800000	25.000000
Амилаза	1232.0	108.360438	172.023681	0.00	19.662500	61.000000	129.775000	2520.000000
АЛТ	1232.0	77.758352	147.442066	0.00	20.500000	36.750000	71.100000	1885.200000
АСТ	1232.0	97.160081	198.807334	0.00	30.000000	48.300000	83.387500	2242.000000
АЧТВ	1232.0	26.167654	15.476217	0.00	24.000000	30.000000	35.000000	125.000000
Инфузия, % от N	1232.0	123.529011	54.246247	0.00	95.026596	116.583333	142.742529	647.916667
КИ	1232.0	5.558620	14.590389	0.00	0.000000	2.500000	5.000000	199.200000
Площадь тела	1232.0	0.952451	0.331919	0.25	0.670000	1.030000	1.270000	1.390000
Диурез, мл/кг	1232.0	55.327892	35.223939	0.00	30.595631	46.733333	72.500000	280.000000

Описательная статистика: Умершие пациенты

# описательная статистика умерших пациентов
df[df['OUTCOME']=='Died'][target_columns[2:-1]].describe().T

	count	mean	std	min	25%	50%	75%	max
Возраст	160.0	8.526563	4.473692	0.250000	5.250000	9.000000	13.000000	17.000000
GT	160.0	0.543750	0.499646	0.000000	0.000000	1.000000	1.000000	1.000000
САД	160.0	103.037500	23.474565	45.000000	86.500000	103.000000	117.000000	165.000000
ДАД	160.0	58.393750	16.823949	17.000000	46.750000	59.500000	70.000000	99.000000
СрАД	160.0	73.275000	18.274426	26.333333	60.000000	73.333333	86.833333	120.666667
ЧСС	160.0	105.287500	25.105410	41.000000	90.000000	106.000000	121.250000	186.000000
ИА	160.0	1.072014	0.384730	0.464000	0.838539	0.990990	1.191877	3.100000
SpO2	160.0	96.806250	4.984879	69.000000	98.000000	98.000000	99.000000	100.000000
Масса тела	160.0	32.568750	16.142300	6.000000	20.000000	30.000000	43.000000	75.000000
Cl-	160.0	119.799886	17.324053	60.600000	108.744756	114.500000	133.250000	193.000000
Лактат	160.0	2.181563	3.553529	0.000000	0.000000	1.100000	2.800000	20.000000
Амилаза	160.0	27.372188	105.539960	0.000000	0.000000	0.000000	0.000000	892.000000
АЛТ	160.0	114.610313	253.571733	0.000000	39.375000	71.000000	113.000000	2865.000000
АСТ	160.0	172.093750	272.496902	0.000000	42.100000	111.000000	183.000000	2458.300000
АЧТВ	160.0	22.169375	29.838148	0.000000	0.000000	24.000000	38.000000	162.000000
Инфузия, % от N	160.0	124.882344	48.315790	0.000000	93.714326	125.884109	147.916667	300.176471
КИ	160.0	27.891250	85.292433	0.000000	5.000000	8.000000	20.000000	956.600000
Площадь тела	160.0	0.973625	0.347461	0.410000	0.730000	0.970000	1.285000	1.450000
Диурез, мл/кг	160.0	54.189184	35.582893	0.000000	32.750000	45.684524	70.857558	179.500000

# сравнение средних
a = pd.DataFrame(df[df['OUTCOME']=='Died'][target_columns[2:-1]].drop('GT',axis=1).mean()).rename(columns = {0:'Группа 1: умерли'})
a_ = []
for i in target_columns[2:-1]:
    if i != 'GT':
        a_.append(df[df['OUTCOME']=='Survived'][i].mean())
a['Группа 2: выжили'] = a_
a

	Группа 1: умерли	Группа 2: выжили
Возраст	8.526563	10.154795
САД	103.037500	112.331981
ДАД	58.393750	65.692370
СрАД	73.275000	81.238907
ЧСС	105.287500	105.797890
ИА	1.072014	0.962915
SpO2	96.806250	98.581169
Масса тела	32.568750	41.689123
Cl-	119.799886	110.864558
Лактат	2.181563	1.374789
Амилаза	27.372188	108.360438
АЛТ	114.610313	77.758352
АСТ	172.093750	97.160081
АЧТВ	22.169375	26.167654
Инфузия, % от N	124.882344	123.529011
КИ	27.891250	5.558620
Площадь тела	0.973625	0.952451
Диурез, мл/кг	54.189184	55.327892

Проверка наличия значимой разницы между группами выживших и умерших пациентов

# для сохранения результатов в виде таблицы
columns = ['Вариант','Показатель','Значимость различий','p_value','alpha']
append_list = []
# т.к. выборки разного размера, в одной из них - мало данных, распределение не нормальное (графики ниже), воспользуемся тестом Краскела-Уоллиса
for k,i in enumerate(target_columns[2:-1]):
    group0 = df[df['OUTCOME']=='Survived'][i]
    group1 = df[df['OUTCOME']=='Died'][i]
    alpha = 0.05
    test_value, p  = stats.kruskal(group0,group1)
    if alpha<p:
        append_list.append(['Все пациенты',i,'значимость различия не доказана',p,alpha,group0.median(),group0.quantile(0.25),group0.quantile(0.75),\
                           group1.median(),group1.quantile(0.25),group1.quantile(0.75)])
    else:
        append_list.append(['Все пациенты',i,'обнаружены значимые различия',p,alpha,group0.median(),group0.quantile(0.25),group0.quantile(0.75),\
                           group1.median(),group1.quantile(0.25),group1.quantile(0.75)])

1. Пациенты, получавшие ГТ

a = df[df['GT']==1].groupby('OUTCOME',as_index=False)['ID'].nunique().replace({'Died':'Умерли','Survived':'Выжили'})
a.columns=['Исход','Количество пациентов']
a

	Исход	Количество пациентов
0	Умерли	14
1	Выжили	99

# Группа 1: умерли
df[(df['OUTCOME']=='Died')&(df['GT']==1)][target_columns[2:-1]].describe().T

	count	mean	std	min	25%	50%	75%	max
Возраст	87.0	7.028736	3.970190	0.250000	4.833333	6.666667	9.000000	17.000000
GT	87.0	1.000000	0.000000	1.000000	1.000000	1.000000	1.000000	1.000000
САД	87.0	99.160920	21.265691	45.000000	82.500000	102.000000	114.000000	165.000000
ДАД	87.0	57.034483	16.770994	17.000000	45.000000	58.000000	70.000000	93.000000
СрАД	87.0	71.076628	17.668692	26.333333	59.666667	71.666667	84.833333	115.000000
ЧСС	87.0	104.321839	28.342381	41.000000	87.000000	107.000000	121.500000	186.000000
ИА	87.0	1.095675	0.420074	0.464000	0.858396	1.000000	1.192099	3.100000
SpO2	87.0	97.091954	4.105108	70.000000	97.500000	98.000000	99.000000	100.000000
Масса тела	87.0	27.137931	13.913497	6.000000	20.000000	25.000000	30.000000	75.000000
Cl-	87.0	122.959288	18.820388	95.000000	108.744756	120.000000	139.000000	193.000000
Лактат	87.0	2.839655	4.198028	0.000000	0.000000	1.200000	4.100000	20.000000
Амилаза	87.0	29.551724	118.743495	0.000000	0.000000	0.000000	0.000000	892.000000
АЛТ	87.0	152.105747	334.063887	0.000000	45.000000	71.000000	113.000000	2865.000000
АСТ	87.0	221.151724	335.945268	0.000000	92.400000	138.500000	183.000000	2458.300000
АЧТВ	87.0	18.912644	24.300827	0.000000	0.000000	0.000000	36.500000	120.000000
Инфузия, % от N	87.0	124.278304	52.851206	11.952941	88.852877	109.294118	157.852930	300.176471
КИ	87.0	31.955172	109.587214	0.000000	5.000000	7.500000	18.000000	956.600000
Площадь тела	87.0	1.038966	0.323049	0.430000	0.970000	1.090000	1.330000	1.450000
Диурез, мл/кг	87.0	59.325500	38.658511	0.000000	35.916667	50.000000	77.083333	179.500000

# Группа 2: выжили
df[(df['OUTCOME']=='Survived')&(df['GT']==1)][target_columns[2:-1]].describe().T

	count	mean	std	min	25%	50%	75%	max
Возраст	362.0	9.588113	5.599449	0.666667	4.000000	11.000000	14.000000	17.000000
GT	362.0	1.000000	0.000000	1.000000	1.000000	1.000000	1.000000	1.000000
САД	362.0	110.812155	15.094827	50.000000	100.000000	110.000000	120.000000	163.000000
ДАД	362.0	63.944751	12.661248	20.000000	55.000000	64.000000	70.000000	100.000000
СрАД	362.0	79.567219	12.645701	30.000000	71.416667	79.333333	87.333333	117.666667
ЧСС	362.0	106.569061	24.055843	52.000000	90.000000	106.000000	120.000000	176.000000
ИА	362.0	0.991421	0.320478	0.412903	0.782143	0.936364	1.116447	2.800000
SpO2	362.0	98.345304	4.565266	26.000000	98.000000	99.000000	100.000000	100.000000
Масса тела	362.0	39.592541	23.571319	7.500000	17.000000	35.000000	60.000000	100.000000
Cl-	362.0	110.585869	10.139686	31.000000	105.000000	108.872378	115.000000	153.000000
Лактат	362.0	1.633287	1.346455	0.000000	0.900000	1.400000	2.337500	9.000000
Амилаза	362.0	137.386436	234.684048	0.000000	0.000000	55.450000	156.125000	1940.000000
АЛТ	362.0	85.976547	167.227641	0.000000	20.000000	39.200000	85.887500	1885.200000
АСТ	362.0	120.489365	227.273124	0.000000	32.487500	55.000000	116.000000	1958.500000
АЧТВ	362.0	22.750414	15.995155	0.000000	0.000000	28.000000	33.000000	90.000000
Инфузия, % от N	362.0	119.647799	64.654637	0.000000	81.581605	108.125000	139.705882	564.146341
КИ	362.0	7.214696	19.695994	0.000000	0.000000	2.800000	5.000000	199.200000
Площадь тела	362.0	0.924641	0.320415	0.250000	0.610000	1.030000	1.210000	1.390000
Диурез, мл/кг	362.0	54.808690	38.617765	1.571429	29.244505	46.619048	70.743590	280.000000

# сравнение средних
a = pd.DataFrame(df[(df['OUTCOME']=='Died')&(df['GT']==1)][target_columns[2:-1]].drop('GT',axis=1).mean()).rename(columns = {0:'Группа 1: умерли'})
a_ = []
for i in target_columns[2:-1]:
    if i != 'GT':
        a_.append(df[(df['OUTCOME']=='Survived')&(df['GT']==1)][i].mean())
a['Группа 2: выжили'] = a_
a

	Группа 1: умерли	Группа 2: выжили
Возраст	7.028736	9.588113
САД	99.160920	110.812155
ДАД	57.034483	63.944751
СрАД	71.076628	79.567219
ЧСС	104.321839	106.569061
ИА	1.095675	0.991421
SpO2	97.091954	98.345304
Масса тела	27.137931	39.592541
Cl-	122.959288	110.585869
Лактат	2.839655	1.633287
Амилаза	29.551724	137.386436
АЛТ	152.105747	85.976547
АСТ	221.151724	120.489365
АЧТВ	18.912644	22.750414
Инфузия, % от N	124.278304	119.647799
КИ	31.955172	7.214696
Площадь тела	1.038966	0.924641
Диурез, мл/кг	59.325500	54.808690

# количество умерших (0) и выживших (1) пациентов, получавших ГТ
fig, ax = plt.subplots()
sns.barplot(data = [[i] for i in df[df['GT']==1].groupby('ID')['OUTCOME'].first().value_counts()[::-1]]);
ax.set_xticklabels(['Умерли', 'Выжили'])
plt.show()

Проверка наличия значимой разницы между группами выживших и умерших пациентов, получавших ГТ

# т.к. выборки разного размера, в одной из них - мало данных, распределение не нормальное (графики ниже), воспользуемся тестом Краскела-Уоллиса
for k,i in enumerate(target_columns[2:-1]):
    group0 = df[(df['OUTCOME']=='Survived')&(df['GT']==1)][i]
    group1 = df[(df['OUTCOME']=='Died')&(df['GT']==1)][i]
    alpha = 0.05
    try:        
        test_value, p  = stats.kruskal(group0,group1)
        if alpha<p:
            append_list.append(['Получали ГТ',i,'значимость различия не доказана',p,alpha,group0.median(),group0.quantile(0.25),group0.quantile(0.75),\
                           group1.median(),group1.quantile(0.25),group1.quantile(0.75)])
        else:
            append_list.append(['Получали ГТ',i,'обнаружены значимые различия',p,alpha,group0.median(),group0.quantile(0.25),group0.quantile(0.75),\
                           group1.median(),group1.quantile(0.25),group1.quantile(0.75)])
    except Exception:
        pass

1. Пациенты, не получавшие ГТ

gt_users = df.loc[df['GT']==1,'ID'].unique()
a = df[(df['GT']==0)&(~df.ID.isin(gt_users))].groupby('OUTCOME',as_index=False)['ID'].nunique().replace({'Died':'Умерли','Survived':'Выжили'})
a.columns=['Исход','Количество пациентов']
a

	Исход	Количество пациентов
0	Умерли	5
1	Выжили	85

# количество умерших (0) и выживших (1) пациентов, не получавших ГТ
fig, ax = plt.subplots()
sns.barplot(data = [[i] for i in df[(df['GT']==0)&(~df.ID.isin(gt_users))].groupby('ID')['OUTCOME'].first().value_counts()[::-1]]);
ax.set_xticklabels(['Умерли', 'Выжили'])
plt.show()

# Группа 1: умерли
df[(df['OUTCOME']=='Died')&(df['GT']==0)&(~df.ID.isin(gt_users))][target_columns[2:-1]].describe().T

	count	mean	std	min	25%	50%	75%	max
Возраст	28.0	10.000000	5.429685	1.000000	9.250000	12.000000	13.000000	17.000000
GT	28.0	0.000000	0.000000	0.000000	0.000000	0.000000	0.000000	0.000000
САД	28.0	98.035714	22.280172	50.000000	85.000000	93.000000	111.500000	142.000000
ДАД	28.0	55.250000	16.249501	26.000000	44.500000	52.000000	62.000000	96.000000
СрАД	28.0	69.511905	17.695058	34.000000	58.000000	66.666667	77.666667	110.666667
ЧСС	28.0	115.964286	22.701741	64.000000	101.500000	117.000000	125.750000	178.000000
ИА	28.0	1.236859	0.355690	0.731707	0.981818	1.183473	1.361928	2.200000
SpO2	28.0	97.071429	5.401842	75.000000	98.000000	99.000000	99.250000	100.000000
Масса тела	28.0	40.000000	17.747196	12.000000	33.000000	40.000000	56.000000	56.000000
Cl-	28.0	121.229421	13.127313	100.000000	108.744756	116.000000	132.000000	141.000000
Лактат	28.0	1.942857	3.307839	0.000000	0.000000	1.500000	2.725000	17.000000
Амилаза	28.0	43.341071	85.142133	0.000000	0.000000	0.000000	64.100000	389.800000
АЛТ	28.0	72.041071	52.059606	15.900000	22.375000	71.000000	95.000000	232.800000
АСТ	28.0	126.407143	154.724158	0.000000	31.650000	85.000000	189.000000	798.600000
АЧТВ	28.0	26.885714	19.680461	0.000000	0.000000	29.000000	40.800000	58.000000
Инфузия, % от N	28.0	123.284226	53.830825	0.000000	94.312500	137.041667	160.208333	190.833333
КИ	28.0	31.714286	59.371309	0.000000	10.000000	14.000000	30.000000	320.000000
Площадь тела	28.0	0.703571	0.188566	0.410000	0.560000	0.730000	0.850000	1.030000
Диурез, мл/кг	28.0	49.397534	36.884901	0.000000	28.928571	42.928571	64.020833	140.000000

# Группа 2: выжили
df[(df['OUTCOME']=='Survived')&(df['GT']==0)&(~df.ID.isin(gt_users))][target_columns[2:-1]].describe().T

	count	mean	std	min	25%	50%	75%	max
Возраст	414.0	9.502262	5.406316	0.250000	4.000000	11.000000	15.000000	18.000000
GT	414.0	0.000000	0.000000	0.000000	0.000000	0.000000	0.000000	0.000000
САД	414.0	111.618357	14.156998	70.000000	102.000000	110.000000	120.000000	170.000000
ДАД	414.0	64.903382	10.528427	30.000000	60.000000	65.000000	70.000000	119.000000
СрАД	414.0	80.475040	10.669506	43.333333	73.333333	80.000000	86.666667	117.333333
ЧСС	414.0	104.722222	23.393624	40.000000	90.000000	105.000000	120.000000	180.000000
ИА	414.0	0.960196	0.277759	0.381356	0.765913	0.973903	1.110561	2.250000
SpO2	414.0	98.586957	2.255136	70.000000	98.000000	99.000000	100.000000	100.000000
Масса тела	414.0	40.176329	23.670259	6.000000	16.500000	37.000000	60.000000	103.000000
Cl-	414.0	111.088820	14.011761	85.000000	104.000000	108.744756	113.000000	191.000000
Лактат	414.0	1.258430	1.107364	0.000000	0.525000	1.100000	1.700000	7.800000
Амилаза	414.0	71.021377	152.711444	0.000000	0.000000	40.000000	79.850000	2520.000000
АЛТ	414.0	93.914614	177.911547	0.000000	18.450000	34.750000	90.975000	1384.000000
АСТ	414.0	111.129396	233.312475	0.000000	28.900000	50.900000	91.975000	2242.000000
АЧТВ	414.0	24.461111	17.719111	0.000000	0.000000	30.000000	36.775000	67.000000
Инфузия, % от N	414.0	118.633597	49.680709	0.000000	92.823933	111.458333	140.364583	295.701754
КИ	414.0	4.771618	14.754241	0.000000	0.000000	0.000000	5.000000	150.000000
Площадь тела	414.0	0.980204	0.346188	0.290800	0.730000	1.090000	1.330000	1.390000
Диурез, мл/кг	414.0	56.622304	33.911779	0.000000	32.115385	48.944444	72.727273	229.333333

# сравнение средних
a = pd.DataFrame(df[(df['OUTCOME']=='Died')&(df['GT']==0)&(~df.ID.isin(gt_users))][target_columns[2:-1]].drop('GT',axis=1).mean()).rename(columns = {0:'Группа 1: умерли'})
a_ = []
for i in target_columns[2:-1]:
    if i != 'GT':
        a_.append(df[(df['OUTCOME']=='Survived')&(df['GT']==0)&(~df.ID.isin(gt_users))][i].mean())
a['Группа 2: выжили'] = a_
a

	Группа 1: умерли	Группа 2: выжили
Возраст	10.000000	9.502262
САД	98.035714	111.618357
ДАД	55.250000	64.903382
СрАД	69.511905	80.475040
ЧСС	115.964286	104.722222
ИА	1.236859	0.960196
SpO2	97.071429	98.586957
Масса тела	40.000000	40.176329
Cl-	121.229421	111.088820
Лактат	1.942857	1.258430
Амилаза	43.341071	71.021377
АЛТ	72.041071	93.914614
АСТ	126.407143	111.129396
АЧТВ	26.885714	24.461111
Инфузия, % от N	123.284226	118.633597
КИ	31.714286	4.771618
Площадь тела	0.703571	0.980204
Диурез, мл/кг	49.397534	56.622304

Проверка наличия значимой разницы между группами выживших и умерших пациентов, неполучавших ГТ

# т.к. выборки разного размера, в одной из них - мало данных, распределение не нормальное, воспользуемся тестом Краскела-Уоллиса
for k,i in enumerate(target_columns[2:-1]):
    group0 = df[(df['OUTCOME']=='Survived')&(df['GT']==0)][i]
    group1 = df[(df['OUTCOME']=='Died')&(df['GT']==0)][i]
    alpha = 0.05
    try:        
        test_value, p  = stats.kruskal(group0,group1)
        if alpha<p:
            append_list.append(['Не получали ГТ',i,'значимость различия не доказана',p,alpha,group0.median(),group0.quantile(0.25),group0.quantile(0.75),\
                           group1.median(),group1.quantile(0.25),group1.quantile(0.75)])
        else:
            append_list.append(['Не получали ГТ',i,'обнаружены значимые различия',p,alpha,group0.median(),group0.quantile(0.25),group0.quantile(0.75),\
                           group1.median(),group1.quantile(0.25),group1.quantile(0.75)])
    except Exception:
        pass

1й день

1. Все вместе
2. Получавшие ГТ
3. Неполучавшие ГТ

При анализе первого дня количество анализируемых пациентов не изменяется (все находились в ОРИТ хотя бы 1 день)

1

# т.к. выборки разного размера, в одной из них - мало данных, распределение не нормальное, воспользуемся тестом Краскела-Уоллиса
for k,i in enumerate(target_columns[2:-1]):
    group0 = df[(df['OUTCOME']=='Survived')&(df.Day==1)][i]
    group1 = df[(df['OUTCOME']=='Died')&(df.Day==1)][i]
    alpha = 0.05
    test_value, p  = stats.kruskal(group0,group1)
    if alpha<p:
        append_list.append(['Все пациенты, 1й день',i,'значимость различия не доказана',p,alpha,group0.median(),group0.quantile(0.25),group0.quantile(0.75),\
                           group1.median(),group1.quantile(0.25),group1.quantile(0.75)])
    else:
        append_list.append(['Все пациенты, 1й день',i,'обнаружены значимые различия',p,alpha,group0.median(),group0.quantile(0.25),group0.quantile(0.75),\
                           group1.median(),group1.quantile(0.25),group1.quantile(0.75)])
print(f'Выживших: {group0.shape[0]}, умерших: {group1.shape[0]}')

Выживших: 184, умерших: 19

a0 = df[(df['OUTCOME']=='Survived')&(df.Day==1)]
df[(df['OUTCOME']=='Survived')&(df.Day==1)].describe().T

	count	mean	std	min	25%	50%	75%	max
ID	184.0	105.146739	63.918025	1.000000	47.750000	107.500000	157.500000	216.000000
Day	184.0	1.000000	0.000000	1.000000	1.000000	1.000000	1.000000	1.000000
Возраст	184.0	8.988207	5.359763	0.250000	4.000000	8.500000	14.000000	18.000000
GT	184.0	0.407609	0.492730	0.000000	0.000000	0.000000	1.000000	1.000000
САД	184.0	107.000000	18.267592	50.000000	94.750000	110.000000	120.000000	159.000000
ДАД	184.0	63.179348	13.639600	20.000000	55.000000	60.000000	70.000000	119.000000
СрАД	184.0	77.786232	14.272743	30.000000	69.083333	78.000000	86.666667	117.333333
ЧСС	184.0	110.809783	22.699551	40.000000	94.000000	110.000000	124.000000	172.000000
ИА	184.0	1.081798	0.365621	0.407692	0.828591	1.038462	1.224465	2.800000
SpO2	184.0	98.173913	6.102241	26.000000	98.000000	100.000000	100.000000	100.000000
Масса тела	184.0	36.005435	22.024266	6.000000	16.750000	30.000000	51.000000	103.000000
Cl-	184.0	108.681024	9.935419	31.000000	104.000000	108.744756	111.000000	148.000000
Лактат	184.0	1.627717	2.413995	0.000000	0.000000	1.100000	2.600000	25.000000
Амилаза	184.0	36.880978	65.499462	0.000000	0.000000	13.800000	49.000000	533.500000
АЛТ	184.0	115.638859	246.634132	0.000000	13.300000	30.000000	95.275000	1885.200000
АСТ	184.0	172.759076	351.743698	0.000000	0.352500	55.400000	139.450000	2242.000000
АЧТВ	184.0	16.610870	17.463210	0.000000	0.000000	23.000000	30.500000	90.000000
Инфузия, % от N	184.0	92.796612	62.792192	0.000000	54.192073	79.056962	113.939951	353.009259
КИ	184.0	3.619076	12.877508	0.000000	0.000000	0.000000	2.500000	130.000000
Площадь тела	184.0	0.900920	0.321340	0.250000	0.610000	0.850000	1.210000	1.390000
Диурез, мл/кг	184.0	39.406846	32.706270	0.000000	14.305556	30.740260	56.730769	205.384615

b0 = df[(df['OUTCOME']=='Died')&(df.Day==1)]
df[(df['OUTCOME']=='Died')&(df.Day==1)].describe().T

	count	mean	std	min	25%	50%	75%	max
ID	19.0	94.263158	35.529084	30.000000	78.500000	91.000000	95.500000	205.000000
Day	19.0	1.000000	0.000000	1.000000	1.000000	1.000000	1.000000	1.000000
Возраст	19.0	9.342105	5.659097	0.250000	5.125000	9.000000	14.000000	17.000000
GT	19.0	0.684211	0.477567	0.000000	0.000000	1.000000	1.000000	1.000000
САД	19.0	93.526316	24.541050	45.000000	72.500000	99.000000	111.000000	130.000000
ДАД	19.0	51.631579	18.294536	17.000000	40.000000	53.000000	65.000000	81.000000
СрАД	19.0	65.596491	19.754849	26.333333	49.166667	68.333333	80.166667	95.666667
ЧСС	19.0	108.421053	30.229338	54.000000	88.000000	110.000000	133.500000	160.000000
ИА	19.0	1.220780	0.421409	0.464000	0.970702	1.173333	1.443137	2.285714
SpO2	19.0	94.473684	8.585313	70.000000	94.500000	98.000000	99.000000	100.000000
Масса тела	19.0	35.631579	19.723676	6.000000	20.000000	30.000000	50.000000	75.000000
Cl-	19.0	112.959698	14.083660	99.000000	104.500000	108.744756	118.000000	158.000000
Лактат	19.0	3.684211	5.908681	0.000000	0.000000	0.000000	5.050000	17.000000
Амилаза	19.0	19.005263	38.641665	0.000000	0.000000	0.000000	17.550000	137.000000
АЛТ	19.0	288.973684	686.046097	0.000000	39.500000	62.000000	156.000000	2865.000000
АСТ	19.0	341.663158	647.200154	0.000000	42.000000	110.000000	215.000000	2458.300000
АЧТВ	19.0	18.631579	23.497542	0.000000	0.000000	0.000000	31.500000	80.000000
Инфузия, % от N	19.0	127.466044	81.327040	0.000000	76.317203	112.291667	177.038684	300.176471
КИ	19.0	94.110526	228.739636	0.000000	0.000000	5.000000	21.750000	956.600000
Площадь тела	19.0	0.994211	0.357496	0.410000	0.670000	1.090000	1.300000	1.450000
Диурез, мл/кг	19.0	48.114514	41.013025	0.000000	19.583333	36.607143	70.465116	140.000000

# сравнение средних
a = pd.DataFrame(b0[(b0['OUTCOME']=='Died')&(b0['Day']==1)][target_columns[2:-1]].drop('GT',axis=1).mean()).rename(columns = {0:'Группа 1: умерли'})
a_ = []
for i in target_columns[2:-1]:
    if i != 'GT':
        a_.append(a0[(a0['OUTCOME']=='Survived')&(a0['Day']==1)][i].mean())
a['Группа 2: выжили'] = a_
a

	Группа 1: умерли	Группа 2: выжили
Возраст	9.342105	8.988207
САД	93.526316	107.000000
ДАД	51.631579	63.179348
СрАД	65.596491	77.786232
ЧСС	108.421053	110.809783
ИА	1.220780	1.081798
SpO2	94.473684	98.173913
Масса тела	35.631579	36.005435
Cl-	112.959698	108.681024
Лактат	3.684211	1.627717
Амилаза	19.005263	36.880978
АЛТ	288.973684	115.638859
АСТ	341.663158	172.759076
АЧТВ	18.631579	16.610870
Инфузия, % от N	127.466044	92.796612
КИ	94.110526	3.619076
Площадь тела	0.994211	0.900920
Диурез, мл/кг	48.114514	39.406846

for i in a0.columns[2:-1]:
    if i!='GT':
        print(i)
        sns.boxplot(data = [b0[i],a0[i]]);
        plt.show()

Возраст

САД

ДАД

СрАД

ЧСС

ИА

SpO2

Масса тела

Cl-

Лактат

Амилаза

АЛТ

АСТ

АЧТВ

Инфузия, % от N

КИ

Площадь тела

Диурез, мл/кг

2

# т.к. выборки разного размера, в одной из них - мало данных, распределение не нормальное, воспользуемся тестом Краскела-Уоллиса
for k,i in enumerate(target_columns[2:-1]):
    group0 = df[(df['OUTCOME']=='Survived')&(df.Day==1)&(df.GT==1)][i]
    group1 = df[(df['OUTCOME']=='Died')&(df.Day==1)&(df.GT==1)][i]
    alpha = 0.05
    try:
        test_value, p  = stats.kruskal(group0,group1)
        if alpha<p:
            append_list.append(['Получали ГТ, 1й день',i,'значимость различия не доказана',p,alpha,group0.median(),group0.quantile(0.25),group0.quantile(0.75),\
                           group1.median(),group1.quantile(0.25),group1.quantile(0.75)])
        else:
            append_list.append(['Получали ГТ, 1й день',i,'обнаружены значимые различия',p,alpha,group0.median(),group0.quantile(0.25),group0.quantile(0.75),\
                           group1.median(),group1.quantile(0.25),group1.quantile(0.75)])
    except Exception:
        pass
print(f'Выживших, получавших ГТ: {group0.shape[0]}, умерших, получавших ГТ: {group1.shape[0]}')

Выживших, получавших ГТ: 75, умерших, получавших ГТ: 13

a1 = df[(df['OUTCOME']=='Survived')&(df.Day==1)&(df.GT==1)]
a1.describe().T

	count	mean	std	min	25%	50%	75%	max
ID	75.0	108.093333	67.853812	3.000000	39.500000	116.000000	174.500000	215.000000
Day	75.0	1.000000	0.000000	1.000000	1.000000	1.000000	1.000000	1.000000
Возраст	75.0	8.862222	5.144140	0.666667	4.000000	9.000000	13.000000	17.000000
GT	75.0	1.000000	0.000000	1.000000	1.000000	1.000000	1.000000	1.000000
САД	75.0	107.160000	19.811299	50.000000	95.000000	108.000000	119.000000	155.000000
ДАД	75.0	62.013333	14.497431	20.000000	51.000000	62.000000	70.000000	100.000000
СрАД	75.0	77.062222	15.414366	30.000000	68.000000	78.000000	87.500000	113.333333
ЧСС	75.0	113.226667	22.916165	62.000000	98.000000	115.000000	122.000000	172.000000
ИА	75.0	1.118873	0.420857	0.412903	0.854497	1.076190	1.267943	2.800000
SpO2	75.0	97.733333	8.679478	26.000000	98.000000	100.000000	100.000000	100.000000
Масса тела	75.0	36.473333	22.394632	8.500000	17.500000	30.000000	52.500000	100.000000
Cl-	75.0	107.395758	11.165310	31.000000	105.000000	108.000000	109.900000	140.000000
Лактат	75.0	1.688000	1.866921	0.000000	0.000000	1.400000	2.800000	9.000000
Амилаза	75.0	37.898667	69.860344	0.000000	0.000000	0.000000	46.500000	329.200000
АЛТ	75.0	106.433333	253.935550	0.000000	15.150000	27.400000	95.450000	1885.200000
АСТ	75.0	179.136000	337.656883	0.000000	26.000000	57.000000	179.450000	1958.500000
АЧТВ	75.0	16.122667	18.785558	0.000000	0.000000	0.000000	29.400000	90.000000
Инфузия, % от N	75.0	88.578770	62.288725	0.000000	53.624429	75.583333	112.952489	353.009259
КИ	75.0	3.668800	10.734883	0.000000	0.000000	0.000000	3.850000	80.000000
Площадь тела	75.0	0.909867	0.300739	0.250000	0.610000	0.970000	1.150000	1.390000
Диурез, мл/кг	75.0	40.812975	32.523385	1.571429	13.039683	32.916667	62.019231	179.166667

b1 = df[(df['OUTCOME']=='Died')&(df.Day==1)&(df.GT==1)]
b1.describe().T

	count	mean	std	min	25%	50%	75%	max
ID	13.0	96.461538	40.879121	30.000000	80.000000	91.000000	96.000000	205.000000
Day	13.0	1.000000	0.000000	1.000000	1.000000	1.000000	1.000000	1.000000
Возраст	13.0	8.423077	5.449416	0.250000	5.000000	6.666667	14.000000	17.000000
GT	13.0	1.000000	0.000000	1.000000	1.000000	1.000000	1.000000	1.000000
САД	13.0	91.153846	26.635960	45.000000	70.000000	90.000000	110.000000	130.000000
ДАД	13.0	48.615385	18.768495	17.000000	30.000000	52.000000	65.000000	78.000000
СрАД	13.0	62.794872	20.595099	26.333333	46.666667	68.333333	80.000000	93.000000
ЧСС	13.0	101.307692	31.784128	54.000000	80.000000	100.000000	120.000000	160.000000
ИА	13.0	1.181043	0.447806	0.464000	0.950495	1.173333	1.333333	2.285714
SpO2	13.0	94.615385	8.539501	70.000000	93.000000	99.000000	99.000000	100.000000
Масса тела	13.0	34.076923	21.355958	6.000000	20.000000	25.000000	50.000000	75.000000
Cl-	13.0	112.806885	15.274514	99.000000	104.000000	108.744756	116.000000	158.000000
Лактат	13.0	3.500000	5.772204	0.000000	0.000000	0.000000	4.100000	17.000000
Амилаза	13.0	14.615385	39.582274	0.000000	0.000000	0.000000	0.000000	137.000000
АЛТ	13.0	361.407692	828.019596	0.000000	38.000000	47.000000	66.000000	2865.000000
АСТ	13.0	380.953846	767.014185	0.000000	45.000000	94.000000	120.700000	2458.300000
АЧТВ	13.0	18.692308	24.526804	0.000000	0.000000	0.000000	32.000000	80.000000
Инфузия, % от N	13.0	144.509492	80.877468	58.823529	89.164087	112.291667	190.833333	300.176471
КИ	13.0	109.353846	266.338934	0.000000	0.000000	5.000000	16.000000	956.600000
Площадь тела	13.0	1.140769	0.305790	0.490000	1.090000	1.210000	1.330000	1.450000
Диурез, мл/кг	13.0	47.515140	35.791409	0.000000	20.000000	43.000000	70.000000	132.608696

# сравнение средних
a = pd.DataFrame(b1[(b1['OUTCOME']=='Died')&(b1['GT']==1)][target_columns[2:-1]].drop('GT',axis=1).mean()).rename(columns = {0:'Группа 1: умерли'})
a_ = []
for i in target_columns[2:-1]:
    if i != 'GT':
        a_.append(a1[(a1['OUTCOME']=='Survived')&(a1['GT']==1)][i].mean())
a['Группа 2: выжили'] = a_
a

	Группа 1: умерли	Группа 2: выжили
Возраст	8.423077	8.862222
САД	91.153846	107.160000
ДАД	48.615385	62.013333
СрАД	62.794872	77.062222
ЧСС	101.307692	113.226667
ИА	1.181043	1.118873
SpO2	94.615385	97.733333
Масса тела	34.076923	36.473333
Cl-	112.806885	107.395758
Лактат	3.500000	1.688000
Амилаза	14.615385	37.898667
АЛТ	361.407692	106.433333
АСТ	380.953846	179.136000
АЧТВ	18.692308	16.122667
Инфузия, % от N	144.509492	88.578770
КИ	109.353846	3.668800
Площадь тела	1.140769	0.909867
Диурез, мл/кг	47.515140	40.812975

for i in a1.columns[2:-1]:
    if i!='GT':
        print(i)
        sns.boxplot(data = [b1[i],a1[i]]);
        plt.show()

Возраст

САД

ДАД

СрАД

ЧСС

ИА

SpO2

Масса тела

Cl-

Лактат

Амилаза

АЛТ

АСТ

АЧТВ

Инфузия, % от N

КИ

Площадь тела

Диурез, мл/кг

3

# т.к. выборки разного размера, в одной из них - мало данных, распределение не нормальное, воспользуемся тестом Краскела-Уоллиса
for k,i in enumerate(target_columns[2:-1]):
    group0 = df[(df['OUTCOME']=='Survived')&(df.Day==1)&(df.GT==0)][i]
    group1 = df[(df['OUTCOME']=='Died')&(df.Day==1)&(df.GT==0)][i]
    alpha = 0.05
    try:
        test_value, p  = stats.kruskal(group0,group1)
        if alpha<p:
            append_list.append(['Не получали ГТ, 1й день',i,'значимость различия не доказана',p,alpha,group0.median(),group0.quantile(0.25),group0.quantile(0.75),\
                           group1.median(),group1.quantile(0.25),group1.quantile(0.75)])
        else:
            append_list.append(['Не получали ГТ, 1й день',i,'обнаружены значимые различия',p,alpha,group0.median(),group0.quantile(0.25),group0.quantile(0.75),\
                           group1.median(),group1.quantile(0.25),group1.quantile(0.75)])
    except Exception:
        pass
print(f'Выживших, не получавших ГТ: {group0.shape[0]}; умерших, не получавших ГТ: {group1.shape[0]}')

Выживших, не получавших ГТ: 109; умерших, не получавших ГТ: 6

a2 = df[(df['OUTCOME']=='Survived')&(df.Day==1)&(df.GT==0)]
a2.describe().T

	count	mean	std	min	25%	50%	75%	max
ID	109.0	103.119266	61.300976	1.000000	51.000000	105.000000	152.000000	216.000000
Day	109.0	1.000000	0.000000	1.000000	1.000000	1.000000	1.000000	1.000000
Возраст	109.0	9.074893	5.525062	0.250000	4.000000	8.000000	14.000000	18.000000
GT	109.0	0.000000	0.000000	0.000000	0.000000	0.000000	0.000000	0.000000
САД	109.0	106.889908	17.218820	70.000000	94.000000	110.000000	120.000000	159.000000
ДАД	109.0	63.981651	13.024181	30.000000	57.000000	60.000000	70.000000	119.000000
СрАД	109.0	78.284404	13.481875	43.333333	70.000000	77.333333	86.666667	117.333333
ЧСС	109.0	109.146789	22.503837	40.000000	92.000000	110.000000	124.000000	165.000000
ИА	109.0	1.056287	0.321774	0.407692	0.807692	1.000000	1.166667	2.133333
SpO2	109.0	98.477064	3.354368	70.000000	98.000000	100.000000	100.000000	100.000000
Масса тела	109.0	35.683486	21.863916	6.000000	16.000000	30.000000	50.000000	103.000000
Cl-	109.0	109.565381	8.939151	97.000000	104.000000	108.744756	113.000000	148.000000
Лактат	109.0	1.586239	2.735279	0.000000	0.000000	1.000000	2.500000	25.000000
Амилаза	109.0	36.180734	62.643695	0.000000	0.000000	15.300000	51.000000	533.500000
АЛТ	109.0	121.972936	242.462407	0.000000	11.000000	32.600000	93.600000	1260.700000
АСТ	109.0	168.371284	362.595774	0.000000	0.000000	53.000000	134.000000	2242.000000
АЧТВ	109.0	16.946789	16.573012	0.000000	0.000000	23.500000	31.000000	54.100000
Инфузия, % от N	109.0	95.698797	63.258685	0.000000	56.410256	79.166667	116.761364	295.701754
КИ	109.0	3.584862	14.213657	0.000000	0.000000	0.000000	0.000000	130.000000
Площадь тела	109.0	0.894763	0.336009	0.250000	0.610000	0.850000	1.210000	1.390000
Диурез, мл/кг	109.0	38.439326	32.946333	0.000000	15.500000	29.777778	54.000000	205.384615

b2 = df[(df['OUTCOME']=='Died')&(df.Day==1)&(df.GT==0)]
b2.describe().T

	count	mean	std	min	25%	50%	75%	max
ID	6.0	89.500000	22.223861	66.000000	76.500000	85.500000	94.500000	129.000000
Day	6.0	1.000000	0.000000	1.000000	1.000000	1.000000	1.000000	1.000000
Возраст	6.0	11.333333	6.088240	1.000000	9.000000	12.500000	16.000000	17.000000
GT	6.0	0.000000	0.000000	0.000000	0.000000	0.000000	0.000000	0.000000
САД	6.0	98.666667	20.471118	70.000000	84.750000	102.500000	110.500000	125.000000
ДАД	6.0	58.166667	16.869104	40.000000	43.250000	58.000000	69.750000	81.000000
СрАД	6.0	71.666667	17.953025	50.000000	57.083333	72.833333	83.333333	95.666667
ЧСС	6.0	123.833333	21.179392	88.000000	114.500000	130.000000	138.750000	144.000000
ИА	6.0	1.306877	0.380837	0.888889	1.031304	1.212792	1.630896	1.785714
SpO2	6.0	94.166667	9.495613	75.000000	96.250000	97.500000	98.750000	100.000000
Масса тела	6.0	39.000000	16.911535	12.000000	29.500000	45.000000	50.000000	56.000000
Cl-	6.0	113.290793	12.406448	100.000000	108.000000	108.372378	117.186189	135.000000
Лактат	6.0	4.083333	6.741043	0.000000	0.000000	0.750000	4.875000	17.000000
Амилаза	6.0	28.516667	38.164927	0.000000	0.000000	17.550000	38.025000	97.000000
АЛТ	6.0	132.033333	75.472503	22.500000	87.000000	143.500000	172.175000	232.800000
АСТ	6.0	256.533333	288.563412	0.000000	69.750000	215.000000	270.700000	798.600000
АЧТВ	6.0	18.500000	23.321664	0.000000	0.000000	12.500000	27.250000	58.000000
Инфузия, % от N	6.0	90.538574	75.632715	0.000000	27.083333	115.199055	122.859944	189.708333
КИ	6.0	61.083333	127.271527	0.000000	1.250000	9.500000	24.125000	320.000000
Площадь тела	6.0	0.676667	0.242542	0.410000	0.475000	0.670000	0.820000	1.030000
Диурез, мл/кг	6.0	49.413156	54.571310	0.000000	8.333333	34.970238	74.055632	140.000000

# сравнение средних
gt_1day_users = df.loc[(df.Day==1)&(df.GT==1),'ID'].unique()
a = pd.DataFrame(b2[(b2['OUTCOME']=='Died')&(b2['GT']==0)&(~b2.ID.isin(gt_1day_users))][target_columns[2:-1]].drop('GT',axis=1).mean()).rename(columns = {0:'Группа 1: умерли'})
a_ = []
for i in target_columns[2:-1]:
    if i != 'GT':
        a_.append(a2[(a2['OUTCOME']=='Survived')&(a2['GT']==0)&(~a2.ID.isin(gt_1day_users))][i].mean())
a['Группа 2: выжили'] = a_
a

	Группа 1: умерли	Группа 2: выжили
Возраст	11.333333	9.074893
САД	98.666667	106.889908
ДАД	58.166667	63.981651
СрАД	71.666667	78.284404
ЧСС	123.833333	109.146789
ИА	1.306877	1.056287
SpO2	94.166667	98.477064
Масса тела	39.000000	35.683486
Cl-	113.290793	109.565381
Лактат	4.083333	1.586239
Амилаза	28.516667	36.180734
АЛТ	132.033333	121.972936
АСТ	256.533333	168.371284
АЧТВ	18.500000	16.946789
Инфузия, % от N	90.538574	95.698797
КИ	61.083333	3.584862
Площадь тела	0.676667	0.894763
Диурез, мл/кг	49.413156	38.439326

for i in a2.columns[2:-1]:
    if i!='GT':
        print(i)
        sns.boxplot(data = [b2[i],a2[i]]);
        plt.show()

Возраст

САД

ДАД

СрАД

ЧСС

ИА

SpO2

Масса тела

Cl-

Лактат

Амилаза

АЛТ

АСТ

АЧТВ

Инфузия, % от N

КИ

Площадь тела

Диурез, мл/кг

for i in b1.columns[2:-1]:
    if i!='GT':
        print(i)
        sns.boxplot(data = [b1[i],b2[i]]);
        plt.show()

Возраст

САД

ДАД

СрАД

ЧСС

ИА

SpO2

Масса тела

Cl-

Лактат

Амилаза

АЛТ

АСТ

АЧТВ

Инфузия, % от N

КИ

Площадь тела

Диурез, мл/кг

Результаты проведенного анализа по исходам заболеваний

• зеленый цвет = разница между группами умерших и выживших пациентов статистически значима;
• белый = разница между группами по параметру не доказана

def highlight_greaterthan(x):
    color = 'lightgreen' if x<0.05 else 'white'
    return 'background-color: %s' % color
columns = ['Вариант', 'Показатель', 'Значимость различий', 'p_value', 'alpha','Медиана (1)','25 центиль (1)','75 центиль (1)','Медиана (2)','25 центиль (2)','75 центиль (2)']
df_results = pd.DataFrame(append_list).set_axis(columns,axis=1)
df_results = df_results.pivot(columns = 'Вариант',index = 'Показатель',values = ['p_value','Медиана (1)','25 центиль (1)','75 центиль (1)','Медиана (2)','25 центиль (2)','75 центиль (2)']).drop('GT',axis=0).style.applymap(highlight_greaterthan)
df_results

	p_value						Медиана (1)						25 центиль (1)						75 центиль (1)						Медиана (2)						25 центиль (2)						75 центиль (2)
Вариант	Все пациенты	Все пациенты, 1й день	Не получали ГТ	Не получали ГТ, 1й день	Получали ГТ	Получали ГТ, 1й день	Все пациенты	Все пациенты, 1й день	Не получали ГТ	Не получали ГТ, 1й день	Получали ГТ	Получали ГТ, 1й день	Все пациенты	Все пациенты, 1й день	Не получали ГТ	Не получали ГТ, 1й день	Получали ГТ	Получали ГТ, 1й день	Все пациенты	Все пациенты, 1й день	Не получали ГТ	Не получали ГТ, 1й день	Получали ГТ	Получали ГТ, 1й день	Все пациенты	Все пациенты, 1й день	Не получали ГТ	Не получали ГТ, 1й день	Получали ГТ	Получали ГТ, 1й день	Все пациенты	Все пациенты, 1й день	Не получали ГТ	Не получали ГТ, 1й день	Получали ГТ	Получали ГТ, 1й день	Все пациенты	Все пациенты, 1й день	Не получали ГТ	Не получали ГТ, 1й день	Получали ГТ	Получали ГТ, 1й день
Показатель
Cl-	0.000000	0.351806	0.000050	0.588053	0.000000	0.405534	108.744756	108.744756	108.722378	108.744756	108.872378	108.000000	104.000000	104.000000	104.000000	104.000000	105.000000	105.000000	114.000000	111.000000	114.000000	113.000000	115.000000	109.900000	114.500000	108.744756	111.200000	108.372378	120.000000	108.744756	108.744756	104.500000	108.744756	108.000000	108.744756	104.000000	133.250000	118.000000	124.000000	117.186189	139.000000	116.000000
SpO2	0.000000	0.000883	0.000000	0.049058	0.000000	0.007972	99.000000	100.000000	99.000000	100.000000	99.000000	100.000000	98.000000	98.000000	98.000000	98.000000	98.000000	98.000000	100.000000	100.000000	100.000000	100.000000	100.000000	100.000000	98.000000	98.000000	98.000000	97.500000	98.000000	99.000000	98.000000	94.500000	98.000000	96.250000	97.500000	93.000000	99.000000	99.000000	99.000000	98.750000	99.000000	99.000000
АЛТ	0.000000	0.032205	0.010798	0.050053	0.000000	0.173089	36.750000	30.000000	36.000000	32.600000	39.200000	27.400000	20.500000	13.300000	21.125000	11.000000	20.000000	15.150000	71.100000	95.275000	63.825000	93.600000	85.887500	95.450000	71.000000	62.000000	71.000000	143.500000	71.000000	47.000000	39.375000	39.500000	33.000000	87.000000	45.000000	38.000000	113.000000	156.000000	95.000000	172.175000	113.000000	66.000000
АСТ	0.000000	0.121839	0.065848	0.174516	0.000000	0.356569	48.300000	55.400000	47.000000	53.000000	55.000000	57.000000	30.000000	0.352500	29.075000	0.000000	32.487500	26.000000	83.387500	139.450000	76.750000	134.000000	116.000000	179.450000	111.000000	110.000000	85.000000	215.000000	138.500000	94.000000	42.100000	42.000000	25.500000	69.750000	92.400000	45.000000	183.000000	215.000000	137.000000	270.700000	183.000000	120.700000
АЧТВ	0.000103	0.930465	0.002221	0.811024	0.120364	0.631109	30.000000	23.000000	31.000000	23.500000	28.000000	0.000000	24.000000	0.000000	25.800000	0.000000	0.000000	0.000000	35.000000	30.500000	35.150000	31.000000	33.000000	29.400000	24.000000	0.000000	24.000000	12.500000	0.000000	0.000000	0.000000	0.000000	0.000000	0.000000	0.000000	0.000000	38.000000	31.500000	40.800000	27.250000	36.500000	32.000000
Амилаза	0.000000	0.072585	0.000000	0.811612	0.000000	0.054880	61.000000	13.800000	63.100000	15.300000	55.450000	0.000000	19.662500	0.000000	25.050000	0.000000	0.000000	0.000000	129.775000	49.000000	118.725000	51.000000	156.125000	46.500000	0.000000	0.000000	0.000000	17.550000	0.000000	0.000000	0.000000	0.000000	0.000000	0.000000	0.000000	0.000000	0.000000	17.550000	0.000000	38.025000	0.000000	0.000000
Возраст	0.000040	0.757969	0.279320	0.322632	0.000201	0.859691	12.000000	8.500000	12.000000	8.000000	11.000000	9.000000	4.000000	4.000000	5.000000	4.000000	4.000000	4.000000	15.000000	14.000000	15.000000	14.000000	14.000000	13.000000	9.000000	9.000000	13.000000	12.500000	6.666667	6.666667	5.250000	5.125000	8.000000	9.000000	4.833333	5.000000	13.000000	14.000000	13.000000	16.000000	9.000000	14.000000
ДАД	0.000000	0.013720	0.000510	0.488728	0.000458	0.018939	65.000000	60.000000	65.000000	60.000000	64.000000	62.000000	60.000000	55.000000	60.000000	57.000000	55.000000	51.000000	73.000000	70.000000	73.000000	70.000000	70.000000	70.000000	59.500000	53.000000	60.000000	58.000000	58.000000	52.000000	46.750000	40.000000	48.000000	43.250000	45.000000	30.000000	70.000000	65.000000	74.000000	69.750000	70.000000	65.000000
Диурез, мл/кг	0.759487	0.455305	0.088612	0.919840	0.207432	0.476787	46.733333	30.740260	46.900000	29.777778	46.619048	32.916667	30.595631	14.305556	31.711538	15.500000	29.244505	13.039683	72.500000	56.730769	72.727273	54.000000	70.743590	62.019231	45.684524	36.607143	42.500000	34.970238	50.000000	43.000000	32.750000	19.583333	30.769231	8.333333	35.916667	20.000000	70.857558	70.465116	61.750000	74.055632	77.083333	70.000000
ИА	0.002620	0.085650	0.091606	0.077196	0.027207	0.498897	0.933333	1.038462	0.930451	1.000000	0.936364	1.076190	0.772727	0.828591	0.772450	0.807692	0.782143	0.854497	1.100000	1.224465	1.090909	1.166667	1.116447	1.267943	0.990990	1.173333	0.970000	1.212792	1.000000	1.173333	0.838539	0.970702	0.812500	1.031304	0.858396	0.950495	1.191877	1.443137	1.190476	1.630896	1.192099	1.333333
Инфузия, % от N	0.287204	0.024974	0.091712	0.811121	0.332342	0.010013	116.583333	79.056962	119.450758	79.166667	108.125000	75.583333	95.026596	54.192073	99.593515	56.410256	81.581605	53.624429	142.742529	113.939951	144.647727	116.761364	139.705882	112.952489	125.884109	112.291667	129.166667	115.199055	109.294118	112.291667	93.714326	76.317203	108.359133	27.083333	88.852877	89.164087	147.916667	177.038684	147.500000	122.859944	157.852930	190.833333
КИ	0.000000	0.000076	0.000000	0.005848	0.000000	0.007004	2.500000	0.000000	2.500000	0.000000	2.800000	0.000000	0.000000	0.000000	0.000000	0.000000	0.000000	0.000000	5.000000	2.500000	5.000000	0.000000	5.000000	3.850000	8.000000	5.000000	10.000000	9.500000	7.500000	5.000000	5.000000	0.000000	5.000000	1.250000	5.000000	0.000000	20.000000	21.750000	30.000000	24.125000	18.000000	16.000000
Лактат	0.332688	0.878231	0.091322	0.824679	0.830641	0.722964	1.200000	1.100000	1.200000	1.000000	1.400000	1.400000	0.800000	0.000000	0.700000	0.000000	0.900000	0.000000	1.800000	2.600000	1.700000	2.500000	2.337500	2.800000	1.100000	0.000000	0.500000	0.750000	1.200000	0.000000	0.000000	0.000000	0.000000	0.000000	0.000000	0.000000	2.800000	5.050000	2.200000	4.875000	4.100000	4.100000
Масса тела	0.000020	0.903589	0.146036	0.614459	0.000384	0.823032	45.000000	30.000000	49.000000	30.000000	35.000000	30.000000	18.000000	16.750000	20.000000	16.000000	17.000000	17.500000	60.000000	51.000000	60.000000	50.000000	60.000000	52.500000	30.000000	30.000000	43.000000	45.000000	25.000000	25.000000	20.000000	20.000000	26.000000	29.500000	20.000000	20.000000	43.000000	50.000000	56.000000	50.000000	30.000000	50.000000
Площадь тела	0.517396	0.260281	0.121842	0.112477	0.010713	0.011645	1.030000	0.850000	1.030000	0.850000	1.030000	0.970000	0.670000	0.610000	0.670000	0.610000	0.610000	0.610000	1.270000	1.210000	1.270000	1.210000	1.210000	1.150000	0.970000	1.090000	0.850000	0.670000	1.090000	1.210000	0.730000	0.670000	0.430000	0.475000	0.970000	1.090000	1.285000	1.300000	1.210000	0.820000	1.330000	1.330000
САД	0.000000	0.027996	0.006317	0.334520	0.000003	0.041469	110.000000	110.000000	113.000000	110.000000	110.000000	108.000000	104.000000	94.750000	105.000000	94.000000	100.000000	95.000000	120.000000	120.000000	120.000000	120.000000	120.000000	119.000000	103.000000	99.000000	105.000000	102.500000	102.000000	90.000000	86.500000	72.500000	90.000000	84.750000	82.500000	70.000000	117.000000	111.000000	123.000000	110.500000	114.000000	110.000000
СрАД	0.000000	0.017992	0.001110	0.424219	0.000060	0.023892	81.333333	78.000000	81.833333	77.333333	79.333333	78.000000	73.333333	69.083333	74.416667	70.000000	71.416667	68.000000	88.333333	86.666667	88.666667	86.666667	87.333333	87.500000	73.333333	68.333333	73.333333	72.833333	71.666667	68.333333	60.000000	49.166667	63.000000	57.083333	59.666667	46.666667	86.833333	80.166667	89.666667	83.333333	84.833333	80.000000
ЧСС	0.914050	0.864722	0.722759	0.103120	0.667207	0.145632	106.000000	110.000000	106.000000	110.000000	106.000000	115.000000	90.000000	94.000000	90.000000	92.000000	90.000000	98.000000	120.000000	124.000000	120.000000	124.000000	120.000000	122.000000	106.000000	110.000000	102.000000	130.000000	107.000000	100.000000	90.000000	88.000000	96.000000	114.500000	87.000000	80.000000	121.250000	133.500000	119.000000	138.750000	121.500000	120.000000